論文の概要: A GPU-Accelerated Hybrid Method for a Class of Multi-Depot Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2605.05208v1
• Date: Tue, 24 Feb 2026 14:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.589263
• Title: A GPU-Accelerated Hybrid Method for a Class of Multi-Depot Vehicle Routing Problems
• Title（参考訳）: マルチデポッド車両ルーティング問題に対するGPU高速化ハイブリッド手法
• Authors: Zhenyu Lei, Jin-Kao Hao,
• Abstract要約: MDVRP(Multi-depot vehicle routing problem)は、様々な応用に広く用いられている。 本稿では,MDVRPのクラスに有効なハイブリッドアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 11.270060015068529
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-depot vehicle routing problems (MDVRPs) are prevalent in a variety of practical applications. However, they are computationally challenging to solve due to their inherent complexity. This paper proposes an effective hybrid algorithm for a class of MDVRPs. The algorithm integrates a learning-driven, diversity-controlled route-exchange crossover and a multi-depot-supported feasible-and-infeasible search framework guided by a multi-penalty evaluation function. Two dedicated depot-related local search operators are incorporated to further strengthen the search capability in multi-depot settings. To improve computational efficiency and scalability, an enhanced version of the algorithm is developed that uses a tensor-based GPU acceleration combined with a novel multi-move update strategy. Extensive computational experiments on benchmark instances of three MDVRP variants show that the proposed algorithms are highly competitive with state-of-the-art methods, especially for large-scale instances.
• Abstract（参考訳）: MDVRP(Multi-depot vehicle routing problem)は、様々な応用に広く用いられている。 しかし、それらは本質的に複雑であるため、計算的に解決するのが困難である。 本稿では,MDVRPのクラスに有効なハイブリッドアルゴリズムを提案する。 このアルゴリズムは、学習駆動で多様性を制御した経路交換クロスオーバーと、マルチペナルティ評価関数でガイドされるマルチデポットをサポートする実現不可能な検索フレームワークを統合する。 2つの専用デポ関連ローカルサーチオペレータが組み込まれ、マルチデポ設定における検索機能をさらに強化する。 計算効率とスケーラビリティを向上させるために、テンソルベースのGPUアクセラレーションと新しいマルチモーブ更新戦略を組み合わせたアルゴリズムの強化版を開発した。 3種類のMDVRPのベンチマークインスタンスに対する大規模な計算実験は、提案アルゴリズムが最先端の手法、特に大規模インスタンスと非常に競合していることを示している。

関連論文リスト

• Speeding up Local Optimization in Vehicle Routing with Tensor-based GPU Acceleration [23.87172157992149]
  本稿では,車両ルーティングにおいてよく使用される局所探索演算子を高速化する,テンソルベースのGPUアクセラレーション手法を提案する。 その低結合アーキテクチャは、GPUに完全にオフロードされた計算を伴うため、さまざまなローカル検索ベースのアルゴリズムとフレームワークにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-06-20T07:40:47Z)
• Learning with Local Search MCMC Layers [12.613397606663801]
  不正確な解法による学習に理論的に根ざしたアプローチを導入する。 局所探索で使用される問題固有近傍系を提案分布に変換する。 時間窓を用いた大規模動的車両ルーティング問題に対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2025-05-20T11:47:42Z)
• TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems [44.035549471545586]
  TuneNSearchは、多種多様な車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習と局所探索アプローチである。 提案手法は,効率的な局所探索法により改良された高品質な解を生成するために強化学習を用いる。
  論文  参考訳（メタデータ） (2025-03-16T21:34:11Z)
• A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
  結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。 我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
  論文  参考訳（メタデータ） (2025-02-14T15:21:27Z)
• Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [51.89707241449435]
  本稿では,高分解能表現CNNにマルチヘッド自己認識を効率よく組み込むという課題に対処する。 本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。 本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T15:47:54Z)
• A Fast Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [55.2480439325792]
  多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。 本稿では,差分に基づく探索法 (CombGapE) アルゴリズムを提案する。 我々は,CombGapEアルゴリズムが,合成データセットと実世界のデータセットの両方において,既存の手法を大幅に上回っていることを数値的に示す。
  論文  参考訳（メタデータ） (2023-06-15T15:37:31Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)
• Multi-Vehicle Routing Problems with Soft Time Windows: A Multi-Agent Reinforcement Learning Approach [9.717648122961483]
  ソフトタイムウインドウ(MVRPSTW)を用いたマルチ車両ルーティング問題は、都市ロジスティクスシステムにおいて不可欠である。 従来の手法は計算効率と解の質のジレンマを引き起こす。 そこで本研究では,ルーティング問題の解決に要する時間的オフライントレーニングのメリットを即時評価する,Multi-Agent Attention Modelと呼ばれる新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-13T14:26:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。