0-GLOP：学习全局划分和局部构造实时求解大规模路由问题(AAAI-24)

Abstract

近期的端到端神经求解器在小规模路径规划问题上展现出潜力，但在实时扩展性能方面存在局限。本文提出了 GLOP（全局和局部优化策略），一个能够高效扩展到大规模路径规划问题的统一层次框架。GLOP 将大规模路径规划问题划分为旅行商问题（TSP），并将 TSP 进一步划分为最短哈密顿路径问题（SHPP）。首次结合了用于粗粒度问题划分的非自回归神经启发式方法和用于细粒度路径构造的自回归神经启发式方法，充分发挥了前者的可扩展性和后者的细致性。实验结果表明，GLOP 在大规模路径规划问题（包括 TSP、ATSP、CVRP 和 PCTSP）上实现了竞争性和最先进的实时性能。我们的代码可在 https://github.com/henry-yeh/GLOP 获得。

Introduction

路径规划问题广泛存在于物流、供应链、交通和机器人系统等领域。现代工业对大规模、快速的货物、服务和人员路径规划的需求不断增加。传统的基于数学规划或迭代启发式方法的求解器难以跟上这种日益增长的复杂性和实时性要求。

近期在神经组合优化（N