[论文解读] Analytics and Machine Learning in Vehicle Routing Research

Ruibin Bai, Xinan Chen+14 more|arXiv (Cornell University)|Feb 19, 2021

Vehicle Routing Optimization Methods被引用 7

一句话总结

本文全面综述了将机器学习（ML）与分析方法相结合的混合方法在车辆路径问题（VRP）中的应用，表明机器学习在离线和在线设置下均能提升VRP建模与优化性能。文章指出，生成式和数据驱动的机器学习方法在处理不确定性和动态性方面具有潜力，同时指出了可解释性不足、数据稀缺以及平台整合困难等挑战。

ABSTRACT

The Vehicle Routing Problem (VRP) is one of the most intensively studied combinatorial optimisation problems for which numerous models and algorithms have been proposed. To tackle the complexities, uncertainties and dynamics involved in real-world VRP applications, Machine Learning (ML) methods have been used in combination with analytical approaches to enhance problem formulations and algorithmic performance across different problem solving scenarios. However, the relevant papers are scattered in several traditional research fields with very different, sometimes confusing, terminologies. This paper presents a first, comprehensive review of hybrid methods that combine analytical techniques with ML tools in addressing VRP problems. Specifically, we review the emerging research streams on ML-assisted VRP modelling and ML-assisted VRP optimisation. We conclude that ML can be beneficial in enhancing VRP modelling, and improving the performance of algorithms for both online and offline VRP optimisations. Finally, challenges and future opportunities of VRP research are discussed.

研究动机与目标

• 为解决传统VRP模型因不切实际的假设和参数估计困难而导致的实际应用性不足的问题。
• 整合运筹学与机器学习领域中分散的ML辅助VRP研究成果，这些研究常使用相互冲突的术语。
• 识别并评估将分析模型与数据驱动的ML技术相结合的混合方法，以提升VRP解决方案的性能。
• 突出ML辅助VRP中的挑战，包括可解释性不足、数据稀缺以及研究平台碎片化。
• 倡导建立集成的研究平台并开展真实世界验证，以推动该领域向更广泛工业应用发展。

提出的方法

• 对210余篇关于VRP中机器学习与分析方法的论文进行系统性综述，按ML辅助建模与ML辅助优化分类。
• 将ML方法分类为生成式（如深度强化学习）与判别式（如监督学习）方法，用于解决方案生成。
• 分析使用深度神经网络的数据驱动端到端求解器，其绕过显式的数学公式。
• 评估基于遗传编程的方法，通过历史VRP数据演化可解释的决策树。
• 从鲁棒性、泛化能力与可解释性角度，比较模型驱动（分析方法）与数据驱动（ML方法）的优劣。
• 识别关键技术与基础设施挑战，包括缺乏共享平台以及真实世界数据不足。

实验结果

研究问题

• RQ1 机器学习在现实物流应用中如何提升VRP模型的准确性和实用性？
• RQ2 在求解动态与不确定VRP实例时，生成式与判别式ML方法的相对优势与局限性是什么？
• RQ3 数据驱动的ML方法在处理VRP中的不确定性和动态性方面，相较于传统分析模型有何改进？
• RQ4 为何当前ML辅助VRP解决方案往往难以在不同问题实例与领域间实现泛化？
• RQ5 为弥合运筹学与机器学习社区在VRP研究中的差距，需要怎样的基础设施与协作框架？

主要发现

• 机器学习显著提升了VRP建模能力，减少了对不切实际假设的依赖，并增强了对不确定性和动态参数的处理能力。
• 生成式ML方法，尤其是深度强化学习，在求解大规模与动态VRP实例方面展现出日益增长的潜力，其求解速度优于传统扰动算法。
• 数据驱动的端到端ML求解器虽然部署更简便，但常面临可解释性差以及在不同问题领域间泛化能力不足的问题。
• 将分析模型与ML组件相结合的混合方法，在解决方案质量与鲁棒性方面优于纯数据驱动或纯模型驱动的方法。
• 缺乏统一的高质量ML辅助VRP研究平台，限制了可复现性以及运筹学与机器学习社区之间的协作。
• 未来研究必须优先关注可解释AI、共享仿真环境与预训练模型，以降低数据与训练成本，并加速实际部署。