[论文解读] Learning Hybrid Algorithms for Vehicle Routing Problems

Yves Caseau, Glenn Silverstein+1 more|ArXiv.org|May 24, 2004

Vehicle Routing Optimization Methods参考文献 16被引用 12

一句话总结

本文提出一种基于学习的框架，通过使用插入/删除操作的代数表示法，自动发现并调优车辆路径问题的混合元启发式算法。通过应用学习算法搜索最优代数表达式，该方法在Solomon基准测试上实现了与最先进算法相当的性能，同时显著减少了CPU时间，并以极少的投入超越了人工调优的配置。

ABSTRACT

This paper presents a generic technique for improving hybrid algorithms through the discovery of and tuning of meta-heuristics. The idea is to represent a family of push/pull heuristics that are based upon inserting and removing tasks in a current solution, with an algebra. We then let a learning algorithm search for the best possible algebraic term, which represents a hybrid algorithm for a given set of problems and an optimization criterion. In a previous paper, we described this algebra in detail and provided a set of preliminary results demonstrating the utility of this approach, using vehicle routing with time windows (VRPTW) as a domain example. In this paper we expand upon our results providing a more robust experimental framework and learning algorithms, and report on some new results using the standard Solomon benchmarks. In particular, we show that our learning algorithm is able to achieve results similar to the best-published algorithms using only a fraction of the CPU time. We also show that the automatic tuning of the best hybrid combination of such techniques yields a better solution than hand tuning, with considerably less effort.

研究动机与目标

• 开发一种通用技术，用于自动发现和调优车辆路径问题中的混合元启发式算法。
• 使用代数形式化方法表示插入和删除启发式算法族，以实现系统的探索。
• 通过用自动化学习替代人工调优，减少算法设计中的手动工作量。
• 在标准VRPTW基准上评估该方法，并与已发表的结果进行性能比较。
• 证明学习得到的混合算法可在计算成本更低的情况下，优于手工设计的算法。

提出的方法

• 使用抽象代数结构将推/拉启发式表示为代数表达式，以组合插入和删除操作。
• 使用学习算法在代数表达式空间中搜索，以针对给定问题实例和目标找到最优混合算法。
• 定义优化准则（例如，解的质量、运行时间）以指导学习过程。
• 将学习框架应用于带时间窗的车辆路径问题（VRPTW），使用Solomon基准实例。
• 采用稳健的实验设置，验证学习算法的有效性，并与已知高性能方法进行对比。
• 通过学习过程自动调优混合算法的参数，避免手动配置。

实验结果

研究问题

• RQ1 代数表示能否有效编码多样化的车辆路径问题中的推/拉启发式？
• RQ2 学习算法能否发现优于手工设计的混合元启发式算法，用于VRPTW？
• RQ3 与已发表的算法相比，自动化学习方法是否能在显著减少CPU时间的情况下取得具有竞争力的结果？
• RQ4 学习得到的混合算法性能与专家调优配置相比如何？
• RQ5 学习框架能否在不同VRPTW基准实例间实现泛化？

主要发现

• 学习算法在Solomon基准测试上实现了与最佳已发表算法相当的解质量。
• 学习得到的混合算法在保持竞争力性能的同时，所需CPU时间显著少于最先进方法。
• 自动调优的混合算法优于人工调优的配置，证明了数据驱动调优的优势。
• 代数表示法有效促进了启发式空间的探索，从而获得高质量解。
• 该框架在多个基准实例上表现出鲁棒性，持续优于基线启发式算法。
• 结果表明，基于学习的混合方法是车辆路径问题中手动算法设计的一种可行且高效的替代方案。