Multi-Task Learning for Routing Problem with Cross-Problem Zero-Shot Generalization

要約

車両経路問題 (VRP) は、現実世界の数多くのアプリケーションで見られ、数十年にわたり重要な研究テーマとなってきました。
最近、学習ベースのモデルを活用して手動のアルゴリズム設計を行わずに VRP を解決するニューラル組み合わせ最適化 (NCO) アプローチが大きな注目を集めています。
しかし、現在の NCO 手法では通常、配線問題ごとに 1 つのモデルを構築する必要があるため、さまざまな属性を持つ現実世界の業界問題への実用化が大幅に妨げられています。
この研究では、問題間の一般化という重要な課題に取り組む最初の試みを行います。
特に、共有される基礎となる属性のセットのさまざまな組み合わせとして VRP を定式化し、属性の合成を通じて単一のモデルを介してそれらを同時に解決します。
このようにして、私たちが提案するモデルは、ゼロショット汎化方式で、目に見えない属性の組み合わせを持つ VRP を首尾よく解決できます。
11 の VRP バリアント、ベンチマーク データセット、業界のロジスティック シナリオに対して広範な実験が行われています。
結果は、統合モデルが 11 の VRP で優れたパフォーマンスを示し、平均ギャップを既存のアプローチの 20% 以上から約 5% に削減し、ベンチマーク データセットと現実世界の物流アプリケーションで大幅なパフォーマンス向上を達成したことを示しています。
ソースコードは https://github.com/FeiLiu36/MTNCO に含まれています。

要約(オリジナル)

Vehicle routing problems (VRPs), which can be found in numerous real-world applications, have been an important research topic for several decades. Recently, the neural combinatorial optimization (NCO) approach that leverages a learning-based model to solve VRPs without manual algorithm design has gained substantial attention. However, current NCO methods typically require building one model for each routing problem, which significantly hinders their practical application for real-world industry problems with diverse attributes. In this work, we make the first attempt to tackle the crucial challenge of cross-problem generalization. In particular, we formulate VRPs as different combinations of a set of shared underlying attributes and solve them simultaneously via a single model through attribute composition. In this way, our proposed model can successfully solve VRPs with unseen attribute combinations in a zero-shot generalization manner. Extensive experiments are conducted on eleven VRP variants, benchmark datasets, and industry logistic scenarios. The results show that the unified model demonstrates superior performance in the eleven VRPs, reducing the average gap to around 5% from over 20% in the existing approach and achieving a significant performance boost on benchmark datasets as well as a real-world logistics application. The source code is included in https://github.com/FeiLiu36/MTNCO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google