GLOP: Learning Global Partition and Local Construction for Solving Large-scale Routing Problems in Real-time

要約

最近のエンドツーエンドのニューラル ソルバーは、小規模な配線問題には有望であることが示されていますが、リアルタイムのスケールアップ パフォーマンスには限界がありました。
この論文では、大規模なルーティング問題に向けて効率的に拡張する統合階層フレームワークである GLOP (Global and Local Optimization Policies) を提案します。
GLOP は、大規模なルーティング問題を巡回セールスマン問題 (TSP) に分割し、TSP を最短ハミルトン経路問題に分割します。
初めて、前者のスケーラビリティと後者の細心の注意を活用して、粗粒度の問題分割用の非自己回帰ニューラル ヒューリスティックと、細粒度のルート構築用の自己回帰ニューラル ヒューリスティックをハイブリッド化します。
実験結果は、GLOP が TSP、ATSP、CVRP、PCTSP などの大規模な配線問題に対して、競争力のある最先端のリアルタイム パフォーマンスを達成することを示しています。

要約(オリジナル)

The recent end-to-end neural solvers have shown promise for small-scale routing problems but suffered from limited real-time scaling-up performance. This paper proposes GLOP (Global and Local Optimization Policies), a unified hierarchical framework that efficiently scales toward large-scale routing problems. GLOP partitions large routing problems into Travelling Salesman Problems (TSPs) and TSPs into Shortest Hamiltonian Path Problems. For the first time, we hybridize non-autoregressive neural heuristics for coarse-grained problem partitions and autoregressive neural heuristics for fine-grained route constructions, leveraging the scalability of the former and the meticulousness of the latter. Experimental results show that GLOP achieves competitive and state-of-the-art real-time performance on large-scale routing problems, including TSP, ATSP, CVRP, and PCTSP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google