論文の概要: Depot-Closed Multi-Component Construction for Neural Vehicle Routing

• arxiv url: http://arxiv.org/abs/2609.35066v1
• Date: Mon, 28 Sep 2026 12:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:21:21.810549
• Title: Depot-Closed Multi-Component Construction for Neural Vehicle Routing
• Title（参考訳）: Depot-Closed Multi-Component Construction for Neural Vehicle Routing
• Abstract要約: 車両ルーティング問題(VRP)のほとんどの建設的解決者はルート・バイ・ルート・コンストラクタを使用している。 本稿では,多数の経路成分を同時に維持し,任意の順序でマージする多成分構造を提案する。 神経ポリシーは、このCW節約信号と進化するコンポーネント状態を組み合わせて、何といつ接続するかを学ぶ。
• 参考スコア（独自算出の注目度）: 14.551516282301618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most neural constructive solvers for the vehicle routing problem (VRP) use route-by-route construction, extending one route until completion before starting the next. This commits route membership early and hinders global coordination across routes. We propose multi-component construction, which maintains many route components simultaneously and merges them in an arbitrary order. This removes the depot-return cue that route-by-route construction obtains from the remaining capacity; to compensate, we introduce an interpretation in which every component is treated as an implicitly depot-closed route. Under this depot-closed interpretation, every intermediate state of standard CVRP construction is a complete feasible solution, and the exact cost reduction of a merge is the Clarke-Wright saving. The neural policy combines this CW-saving signal with the evolving component state to learn what to connect and when to connect. A policy trained only on CVRP100 outperforms the reported results of representative neural solvers on CVRP100-500 with greedy inference and, reused for ruin-and-reconstruct, performs strongly at all evaluated sizes up to CVRP1000. In a zero-shot Constraint Tightness evaluation with capacities from $C=10$ to $500$, it outperforms the reported neural solvers at every capacity. Controlled analyses show that robustness persists without CW grounding and point to learned route-closing behavior as a plausible contributor to the tight-regime degradation of learned route-by-route solvers.
• Abstract（参考訳）: 車両ルーティング問題 (VRP) のほとんどの神経構築的解法はルート・バイ・ルート(ルート・バイ・ルート)を用いており、次の経路を開始する前に1つの経路を延長する。 これは早期にルートの加入を約束し、ルートを横断する世界的な調整を妨げている。 本稿では,多数の経路成分を同時に維持し,任意の順序でマージする多成分構造を提案する。 これにより、ルート・バイ・ルート構造が残容量から得られるデポ・リターンキューを除去し、補うために、各コンポーネントが暗黙的にデポ・クローズされたルートとして扱われる解釈を導入する。 この補給所閉鎖解釈の下では、標準CVRP構成のすべての中間状態は完全な実現可能な解であり、マージの正確なコスト削減はクラーク・ライトの節約である。 ニューラルポリシーは、このCW節約信号と進化中のコンポーネント状態を組み合わせて、何といつ接続するかを学ぶ。 CVRP100でのみ訓練されたポリシーは、CVRP100-500における代表的ニューラルソルバの報告結果と、欲求的推論と、破滅と再構築のために再利用され、CVRP1000までの全ての評価されたサイズで強く機能する。 C=10$から500$の容量を持つゼロショット拘束性評価では、報告されたニューラルソルバをすべてのキャパシティで上回る。 制御された解析により,CW接地なしで頑健性は持続し,学習経路閉路挙動は学習経路分割ソルバの厳密なレジム劣化に寄与する可能性が示唆された。

関連論文リスト

• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• CORAL: Curriculum-Optimized Reward Adaptation for LiDAR-Based Goal-Directed Urban Driving [0.0]
  コーラルは5段階のカリキュラムであり、経路を徐々に延長し、行動制約を厳しくする。 同じ100-150mのルートで68-98%のエピソードが成功し、平均側方偏差は0.35m以下である。
  論文  参考訳（メタデータ） (2026-08-14T14:22:05Z)
• RODS: Reward-Driven Online Data Synthesis for Multi-Turn Tool-Use Agents [13.362388357375082]
  マルチターンツール利用RLは、静的データセットにおける情報的サンプルの迅速な枯渇によってボトルネックとなる。 本稿では, RODS (Reward-driven Online Data Synthesis) を提案する。
  論文  参考訳（メタデータ） (2026-06-17T13:13:32Z)
• SeqRoute: Global Budget-Aware Sequential LLM Routing via Offline Reinforcement Learning [2.6853734738584047]
  SeqRouteは、有限水平マルコフ決定プロセスとしてマルチターンルーティングを定式化するフレームワークである。 セッションの後半で、ハイテイクターンのリソースを戦略的に保存するために、遅れた満足度を学習する。 品質を維持したり改善したりしながら運用コストを6.0-73.5%削減し、倒産率を1%以下に抑える。
  論文  参考訳（メタデータ） (2026-05-25T04:52:10Z)
• Neural Cluster First, Route Second: One-Shot Capacitated Vehicle Routing via Differentiable Optimal Transport [3.248584983235657]
  CVRP(Capacitated Vehicle Routing Problem)のための一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発 グローバル・フリート・キャパシティの制約を、異なるエントロピック・最適輸送層を通じてエンドツーエンドで実施し、正確な静電容量を分散させる継続的な輸送計画を生み出している。 事前学習した語彙でフレームワークを組み込むことで、極端なパラメータ効率とゼロショットスケーリングを解放する。
  論文  参考訳（メタデータ） (2026-05-10T03:53:59Z)
• SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction [12.71974212207688]
  Scalable Deep Unrolled Model (SDUM) は、Restormerベースの再構成器と学習されたコイル感度マップ推定器を組み合わせた普遍的なフレームワークである。 不均一なデータに基づいてトレーニングされた単一のSDUMは、4つのCMRxRecon2025課題すべてに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-12-19T00:09:32Z)
• Accelerated Training through Iterative Gradient Propagation Along the Residual Path [46.577761606415805]
  ハイウェイバックプロパゲーションは、バックプロパゲーションを近似する並列化可能な反復アルゴリズムである。 ResNetやTransformerから、リカレントニューラルネットワークまで、さまざまな共通アーキテクチャセットに適応可能である。
  論文  参考訳（メタデータ） (2025-01-28T17:14:42Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。