Looking Ahead to Avoid Being Late: Solving Hard-Constrained Traveling Salesman Problem

要約

現実世界の問題の多くは、制約付き巡回セールスマン問題 (TSP) として定式化できます。
ただし、制約は常に複雑かつ多数であるため、TSP を解決するのは困難です。
複雑な制約の数が増えると、従来のヒューリスティック アルゴリズムでは不当な結果を回避するのに時間がかかります。
学習ベースの手法は、ソフトな方法で TSP を解決する代替手段を提供し、GPU アクセラレーションもサポートして、ソリューションを迅速に生成します。
それにもかかわらず、ソフトな方法では、学習アルゴリズムを使用してハードに制約された問題を解決することが必然的に困難になり、合法性と最適性の間の矛盾が解決策の最適性に大きな影響を与える可能性があります。
この問題を克服し、厳しい制約に対する効果的な解決策を得るために、我々は、TSP with Time Windows (TSPTW) ソリューションの合法性を向上させる機能として先読み情報を使用する、新しい学習ベースの方法を提案しました。
さらに、さまざまなアプローチの統計的パフォーマンスを正確に評価およびベンチマークするために、厳しい制約を備えた TSPTW データセットを構築しました。これは、コミュニティの将来の研究に役立ちます。
多様なデータセットに対する包括的な実験により、MUSLA は既存のベースラインを上回り、一般化可能性の可能性を示します。

要約(オリジナル)

Many real-world problems can be formulated as a constrained Traveling Salesman Problem (TSP). However, the constraints are always complex and numerous, making the TSPs challenging to solve. When the number of complicated constraints grows, it is time-consuming for traditional heuristic algorithms to avoid illegitimate outcomes. Learning-based methods provide an alternative to solve TSPs in a soft manner, which also supports GPU acceleration to generate solutions quickly. Nevertheless, the soft manner inevitably results in difficulty solving hard-constrained problems with learning algorithms, and the conflicts between legality and optimality may substantially affect the optimality of the solution. To overcome this problem and to have an effective solution against hard constraints, we proposed a novel learning-based method that uses looking-ahead information as the feature to improve the legality of TSP with Time Windows (TSPTW) solutions. Besides, we constructed TSPTW datasets with hard constraints in order to accurately evaluate and benchmark the statistical performance of various approaches, which can serve the community for future research. With comprehensive experiments on diverse datasets, MUSLA outperforms existing baselines and shows generalizability potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google