वाहन मार्ग समस्या के लिए सामान्यीकृत न्यूरल समाधान की दिशा में स्थानांतरित स्थानीय नीति के साथ एनसेंबल के माध्यम से

मशीन लर्निंग को NP-हार्ड संयोजक अनुकूलन समस्याओं को हल करने के लिए अनुकूलित किया गया है। एक प्रमुख तरीका यह है कि गहन न्यूरल नेटवर्क के माध्यम से समाधान बनाने के लिए सीखना, जिसे उच्च दक्षता और विशेषज्ञ ज्ञान की कम आवश्यकता के कारण अधिक से अधिक ध्यान मिल रहा है। हालाँकि, वाहन मार्ग समस्याओं (VRPs) के लिए कई न्यूरल निर्माण विधियाँ विशिष्ट नोड वितरण और सीमित पैमानों के साथ सिंथेटिक समस्या उदाहरणों पर ध्यान केंद्रित करती हैं, जिससे वास्तविक दुनिया की समस्याओं पर खराब प्रदर्शन होता है जिनमें आमतौर पर जटिल और अज्ञात नोड वितरण के साथ-साथ बड़े पैमाने पर शामिल होते हैं। न्यूरल VRP समाधान को अधिक व्यावहारिक बनाने के लिए, हम एक सहायक नीति डिजाइन करते हैं जो स्थानीय स्थानांतरित शीर्षोलॉजिकल सुविधाओं से सीखती है, जिसे स्थानीय नीति कहा जाता है, और इसे एक विशिष्ट निर्माण नीति (जो VRP उदाहरणों की वैश्विक जानकारी से सीखती है) के साथ एकीकृत करते हैं ताकि एक एनसेंबल नीति बनाई जा सके। संयुक्त प्रशिक्षण के साथ, संचित नीतियाँ सहयोगात्मक और पूरक ढंग से प्रदर्शन करती हैं ताकि सामान्यीकरण को बढ़ावा मिले। यात्रा करने वाले विक्रेता समस्या और सीमित VRP के दो प्रसिद्ध बेंचमार्क, TSPLIB और CVRPLIB पर प्रयोगात्मक परिणाम दिखाते हैं कि एनसेंबल नीति महत्वपूर्ण रूप से क्रॉस-डिस्ट्रिब्यूशन और क्रॉस-स्केल सामान्यीकरण प्रदर्शन में सुधार करती है, और यहां तक कि हजारों नोड्स के साथ वास्तविक दुनिया की समस्याओं पर भी अच्छा प्रदर्शन करती है।