クロスプロブレムゼロショット汎化によるルーティング問題のマルチタスク学習

車両ルーティング問題（VRP）は、多くの実世界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います。最近、手動のアルゴリズム設計なしでVRPを解決するために学習ベースのモデルを活用する神経組合せ最適化（NCO）アプローチが注目を集めています。しかし、現在のNCO手法は通常、各ルーティング問題に対して1つのモデルを構築する必要があり、さまざまな属性を持つ実世界の産業問題に対する実用的な応用を大幅に妨げています。本研究では、クロスプロブレム汎化という重要な課題に初めて取り組みます。特に、VRPを一連の共有された基礎属性の異なる組み合わせとして定式化し、属性の組成を通じて単一のモデルで同時に解決します。このようにして、提案するモデルは、見えない属性の組み合わせを持つVRPをゼロショット汎化の方法で成功裏に解決することができます。111種類のVRPバリアント、ベンチマークデータセット、産業物流シナリオに関して広範な実験が行われました。結果は、統一モデルが11種類のVRPで優れた性能を示し、既存のアプローチの20％超から約5％に平均ギャップを削減し、ベンチマークデータセットおよび実世界の物流アプリケーションにおいて大幅な性能向上を達成したことを示しています。