深度强化学习求解车辆路径问题的研究综述

作     者：杨笑笑 柯琳 陈智斌 YANG Xiaoxiao;KE Lin;CHEN Zhibin

作者机构：昆明理工大学理学院昆明650000 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2023年第59卷第5期

页      面：1-13页

核心收录：

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070105[理学-运筹学与控制论] 0811[工学-控制科学与工程] 0701[理学-数学] 

基　　金：国家自然科学基金(11761042)。 

主　　题：车辆路径问题 深度强化学习 指针网络 图神经网络 混合模型 

摘      要：车辆路径问题(VRP)是组合优化问题中经典的NP难问题,广泛应用于交通、物流等领域,随着问题规模和动态因素的增多,传统算法很难快速、智能地求解复杂的VRP问题。近年来随着人工智能技术的发展,尤其是深度强化学习(DRL)在AlphaGo中的成功应用,为路径问题求解提供了全新思路。鉴于此,针对近年来利用DRL求解VRP及其变体问题的模型进行文献综述。回顾了DRL求解VRP的相关思路,并梳理基于DRL求解VRP问题的关键步骤,对基于指针网络、图神经网络、Transformer和混合模型的四类求解方法分类总结,同时对目前基于DRL求解VRP及其变体问题的模型性能进行对比分析,总结了基于DRL求解VRP问题时遇到的挑战以及未来的研究方向。