DGL: Dynamische globale-lokale Informationsaggregation für skalierbare VRP-Generalisation mit Selbstverbesserungslernen

Das Vehicle Routing Problem (VRP) ist ein kritisches kombinatorisches Optimierungsproblem mit weitreichenden Anwendungen in der realen Welt, insbesondere in der Logistik und im Transport. Während auf neuronalen Netzen basierende VRP-Löser beeindruckende Ergebnisse bei Testinstanzen erzielt haben, die den Trainingsdaten ähnlich sind, lässt die Leistung oft nach, wenn sie mit unterschiedlichen Maßstäben und unbekannten Verteilungen konfrontiert werden, was ihre praktische Anwendbarkeit einschränkt. Um diese Einschränkungen zu überwinden, stellen wir DGL (Dynamische globale-lokale Informationsaggregation) vor, ein neuartiges Modell, das globale und lokale Informationen kombiniert, um VRPs effektiv zu lösen. DGL passt dynamisch die Auswahl lokaler Knoten innerhalb eines lokalisierten Bereichs an und erfasst lokale Invarianz über Probleme unterschiedlicher Maßstäbe und Verteilungen, wodurch die Generalisation verbessert wird. Gleichzeitig integriert DGL den globalen Kontext in den Entscheidungsprozess und bietet reichhaltigere Informationen für informierte Entscheidungen. Darüber hinaus schlagen wir ein ersatzbasiertes Selbstverbesserungslernframework vor, das Datenaugmentation und zufällige Ersetzungstechniken nutzt, um die Robustheit von DGL weiter zu erhöhen. Umfassende Experimente zu synthetischen Datensätzen, Benchmark-Datensätzen und realen Länder-Karten-Instanzen zeigen, dass DGL eine Spitzenleistung erzielt, insbesondere bei der Generalisierung auf großangelegte VRPs und reale Szenarien. Diese Ergebnisse zeigen die Effektivität von DGL bei der Lösung komplexer, realistischer Optimierungsherausforderungen und heben ihr Potenzial für praktische Anwendungen hervor.