論文の概要: JAMPR+/L2D: scalable neural heuristic for constrained vehicle routing problems in dynamic environment

• arxiv url: http://arxiv.org/abs/2609.26275v1
• Date: Fri, 14 Aug 2026 10:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.95298
• Title: JAMPR+/L2D: scalable neural heuristic for constrained vehicle routing problems in dynamic environment
• Title（参考訳）: JAMPR+/L2D:動的環境における制約車両ルーティング問題に対するスケーラブルなニューラルヒューリスティック
• Abstract要約: JAMPR+/L2D RLディープラーニングモデルでは,グラフ距離行列が大幅に変化した場合に,大規模なCPDPTW問題の解法が適用可能であることを示す。 CPDPTW問題に基づいて訓練されたJAMPR+/L2Dモデルは、より単純な制約を持つタスクに対してよく一般化されていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vehicle routing problems with real-world constraints (we consider vehicles capacity limits, time windows constrains, pickup-and-delivery multi-depo --- CPDPTW) pose significant computational challenges. While classical exact and heuristic methods remain effective to solve problems of small/medium size ($N\lesssim100$), they often lack adaptability and scalability for larger logistics tasks. In this work, we show how JAMPR+/L2D RL deep learning model, proposed in to solve large CPDPTW problems can be adopted in the case of substantial changes of graph distance matrix. We test performance of JAMPR+/L2D model for medium-sized CVRP and VRPTW problems on CVRPLIB benchmarks: JAMPR+/L2D outperforms the state-of-the-art heuristic HGS in over 85\% of instances, achieving improvement in objective gap. We show that the JAMPR+/L2D model trained on CPDPTW problem, generalizes well for tasks with simpler constraints (CVRP, VRPTW), for different problem sizes and for moderate changes in distance matrixes. For more substantial changes in distance matrixes, we propose here to make fast finetuning of JAMPR+: on ORTEC data (for CPDPTW) the proposed strategy remarkably reduces the objective gap without full model retraining, what will give both accuracy and rapid inference of the model in the practical routing scenarios with distance matrix changes.
• Abstract（参考訳）: 実世界の制約(車両のキャパシティ制限、時間窓の制約、ピックアップ・アンド・デリバリのマルチデポ --- CPDPTW)による車両ルーティング問題は、重大な計算上の問題を引き起こす。 古典的正確かつヒューリスティックな手法は、小/中規模の問題を解決するのに有効であるが(N\lesssim100$)、より大きなロジスティクスタスクへの適応性とスケーラビリティに欠けることが多い。 本研究では,大規模CPDPTW問題の解法であるJAMPR+/L2D RL深層学習モデルを提案する。 我々は,中規模のCVRPおよびVRPTW問題に対するJAMPR+/L2Dモデルの性能をCVRPLIBベンチマークで検証した。 CPDPTW問題に基づいて訓練されたJAMPR+/L2Dモデルは,より単純な制約 (CVRP, VRPTW) を持つタスクに対して,問題のサイズや距離行列の適度な変化に対してよく一般化されていることを示す。 距離行列を高速に微調整する手法を提案する: ORTECデータ(CPDPTWの場合)では、提案手法は完全なモデル再トレーニングをせずに目的のギャップを著しく減らし、距離行列変更を伴う実用的なルーティングシナリオにおいて、モデルの精度と迅速な推論を両立させる。

関連論文リスト

• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• AdaptiveLoad: Towards Efficient Video Diffusion Transformer Training [20.685495573513666]
  大規模なビデオ拡散変換器(DiTやMMDiTなど)の訓練は、重要な計算課題となっている。 既存のバケットベースのデータローディング戦略は、“同じトークン長”の制約に依存している。 本稿では,2つのコアコンポーネントからなる統合フレームワークであるtextitLoadを提案する。
  論文  参考訳（メタデータ） (2026-05-18T06:30:31Z)
• Staying in the Sweet Spot: Responsive Reasoning Evolution via Capability-Adaptive Hint Scaffolding [59.60915947702282]
  検証可能な報酬(RLVR)による強化学習は,大規模言語モデル(LLM)の推論能力の向上に成功している。 既存のRLVR手法は、訓練データの困難さとモデルの能力のミスマッチにより、探索の非効率に悩まされることが多い。 本稿では,高効率領域に留まることの難易度を動的に調整する新しい監視支援RLVRフレームワークであるSEELEを提案する。
  論文  参考訳（メタデータ） (2025-09-08T17:36:21Z)
• CALR: Corrective Adaptive Low-Rank Decomposition for Efficient Large Language Model Layer Compression [0.0]
  大規模言語モデル(LLM)は、その膨大なサイズと計算要求のために、重大なデプロイメント上の課題を提示する。 本稿では,2成分圧縮手法である補正適応低ランク分解(CALR)を導入する。 CALR はパラメータ数を 26.93% から 51.77% に削減でき、元のモデルの性能の59.45% から 90.42% に維持できることを示した。
  論文  参考訳（メタデータ） (2025-08-21T13:16:02Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• READ: Recurrent Adaptation of Large Transformers [7.982905666062059]
  モデルサイズとタスク数が増加するにつれて、微調整の大規模トランスフォーマーは実用的ではない。 textbfREcurrent textbfADaption (READ) を導入する。
  論文  参考訳（メタデータ） (2023-05-24T16:59:41Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• 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)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)

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。