马塞洛·罗德里格斯;亚历山大·普拉斯蒂诺;尤弗顿多斯桑托斯·索萨 一种用于CVRP的改进的混合遗传搜索和数据挖掘。 （英语） Zbl 07850611号 网络 83，第4期，692-711（2024）. 摘要：混合遗传搜索（HGS）元启发式算法对车辆路径问题的几个变体产生了杰出的结果。针对容量受限车辆路径问题（CVRP）的HGS最新实施是该变型的最先进方法。本文针对CVRP提出了一种改进的HGS算法，该算法将一种新的解生成方法引入CVRP的（重新）初始化过程，以更高效地指导搜索。本工作中引入的解决方案生成方法结合了一种基于通过数据挖掘过程从良好解决方案中提取的频繁模式的方法，以及一种随机版本的克拉克和赖特储蓄启发式方法。正如我们的实验比较所观察到的，在与最佳已知解的最终差距和原始积分方面，所提出的方法明显优于原始算法。©2024威利期刊有限责任公司。 MSC公司： 90摄氏度 数学编程 关键词：数据挖掘;混合遗传搜索;机器学习;元启发式;网络优化;车辆路线 PDF格式BibTeX公司 XML格式引用 \textit{M.R.de Holanda Maia}等人，网络83，No.4，692--711（2024；Zbl 07850611） 全文： 内政部 参考文献： [1] L.Accorsi、F.Cavaliere和D.Vigo。容量受限车辆路径问题的迭代快速优化，论文发表于：第12届DIMACS实施挑战：车辆路径问题。2022 [2] L.Accorsi和D.Vigo，用于解决大规模容量受限车辆路径问题的快速可扩展启发式算法，交通。《科学》第55卷（2021年），第832-856页。 [3] F.Arnold、M.Gendreau和K.Sörensen，《高效解决大规模路由问题》，Comput。操作。第107号决议（2019年），32-42·Zbl 1458.90055号 [4] F.Arnold和K.Sörensen，车辆路径问题的知识引导局部搜索，计算。操作。第105号决议（2019年），32-46·Zbl 1458.90056号 [5] F.Arnold和K.Sörensen，VRP解决方案的优点是什么？为启发式、计算生成特定于问题的知识。操作。第106号决议（2019年），280-288·Zbl 1458.90642号 [6] F.Arnold等。Santana，K.Sörensen和T.Vidal，PILS：通过模式挖掘和注入来探索高阶社区，pattern Recogn.116（2021），107957。 [7] P.Augerat、D.Naddef、J.M.Belenguer、E.Benavent、A.Corberan和G.Rinaldi，容量受限车辆路径问题的分支和切割代码计算结果。技术报告，国立理工学院，法国格勒诺布尔，1995年。 [8] T.Berthold，《衡量原始启发式的影响》，Oper。Res.Lett.41（2013），611-614·Zbl 1287.90037号 [9] L.Calvet、J.deArmas、D.Masip和A.A.Juan，《学习启发式：将元启发式与机器学习相结合以实现动态输入优化》，《开放数学》第15期（2017年），第261-280页·兹比尔1359.90156 [10] B.Chen、R.Qu、R.Bai和W.Laesanklang，一种具有强化学习的可变邻域搜索算法，用于具有时间窗和开放路线的真实周期性车辆路径问题，RAIRO‐Oper。第54号决议（2020年），1467-1494。 [11] X.Chen和Y.Tian，“学习执行局部重写以实现组合优化”，《神经信息处理系统进展》，第32卷，Curran Associates，Inc，Red Hook，NY，2019年。 [12] Y.Chen、P.Cowling、F.Polack和P.Mourdjis，多武器强盗邻居搜索路由和调度问题。研究报告，约克大学，赫斯林顿，约克，2016年。 [13] J.Christiaens和G.Vanden Berghe，车辆路径问题的串移除松弛诱导，交通。科学54（2020），417-433。 [14] N.Christofides和S.Eilon，车辆调度问题的算法，J.Oper。Res.Soc.20（1969），309-318。 [15] N.Christofides、A.Mingozzi和P.Toth，《车辆路径问题，组合优化》，N.Christophides（编辑）、A.Mingozzi（编辑），P.Tothe（编辑）和C.Sandi（编辑，编辑），Wiley，Chichester，1979年，第315-338页·Zbl 0413.90075号 [16] G.Clarke和J.W.W.W.W.Wright，《从中央仓库到多个交付点的车辆调度》，Oper。第12号决议（1964年），568-581。 [17] D.Corne、C.Dhaenens和L.Jourdan，《运筹学和数据挖掘之间的协同作用：多目标方法的新兴应用》，欧洲期刊Oper。第221号决议（2012年），469-479·Zbl 1253.90002号 [18] J.C.Créput和A.Koukam，车辆路径问题的模因自组织映射方法，软。计算12（2008），1125-1141。 [19] F.L.Dalboni、L.S.Ochi和L.M.A.Drummond。《利用数据挖掘改进进化算法解决集油器车辆路径问题》，《国际网络优化会议论文集》。2003 182-188. [20] I.Drori、A.Kharkar、W.R.Sickinger、B.Kates、Q.Ma、S.Ge、E.Dolev、B.Dietrich、D.P.Williamson和M.Udell。学习在线性时间内解决现实世界图上的组合优化问题，论文发表于：第19届IEEE机器学习和应用国际会议（ICMLA）。2020年，第19-24页。 [21] S.埃尔多安和E.Miller‐Hooks，绿色车辆路线问题，交通。决议第E部分：物流运输。第48版（2012年），100-114。 [22] M.L.Fisher，使用最小k树的车辆路径问题的最优解，Oper。第42号决议（1994年），626-642·Zbl 0815.90066号 [23] S.Gao，Y.Wang，J.Cheng，Y.Inazumi，and Z.Tang，用于解决动态位置路由问题的聚类蚁群优化，应用。数学。计算285（2016），149-173·兹比尔1410.90117 [24] B.L.Golden、E.A.Wasil、J.P.Kelly和I.M.Chao，《元启发式对解决车辆路径问题的影响：算法、问题集和计算结果》，F.Management（编辑）、T.G.C.Logistics（编辑）和G.Laporte（编辑），美国斯普林格，马萨诸塞州波士顿，1998年，第33-56页·Zbl 0997.90021号 [25] G.Grahne和J.Zhu。在挖掘频繁项集时有效使用前缀树，IEEE ICDM频繁项集挖掘实现研讨会论文集。2003. [26] A.E.Gutierrez‐Rodríguez、S.E.Conant‐Pablos、J.C.Ortiz‐Bayliss和H.Terashima‐Marín，通过元学习选择元启发式方法解决带时间窗的车辆路径问题，专家系统。申请118（2019），470-481。 [27] 江南春、何振华、林伟民、马化腾和吕振华。FHCSolver：快速混合CVRP求解器，论文发表于：第12届DIMACS实施挑战：车辆路线问题。2022 [28] L.Jourdan、C.Dhaenens和E.G.Talbi，使用数据挖掘技术帮助元启发式：一项简短调查，混合元启发式，施普林格-柏林-海德堡，柏林，海德堡（Heidelberg），2006，57-69。 [29] W.Kool、H.vanHoof和M.Welling。注意，学会解决路由问题！，学习代表国际会议。2019 [30] H.Lu、X.Zhang和S.Yang。用于解决车辆路径问题的基于学习的迭代方法，学习表示国际会议。2020 [31] F.Lucas、R.Billot、M.Sevaux和K.Sörensen，《使用机器学习工具减少组合优化中的空间搜索》，《学习与智能优化》，Springer International Publishing，Cham，2020年，第143-150页。 [32] M.R.H.Maia、A.Plastino和P.H.V.Penna，异构车队车辆路径问题的混合数据挖掘启发式，RAIRO‐Oper。第52号决议（2018年），661-690·Zbl 1405.90031号 [33] M.R.H.Maia、A.Plastino和P.H.V.Penna，MineReduce:基于数据挖掘的问题规模缩减方法，计算。操作。第122号决议（2020年），104995·Zbl 1458.90132号 [34] S.L.Martins、I.Rosseti和A.Plastino，《随机局部搜索中的数据挖掘》，Springer International Publishing，Cham，2018年，第39-87页。 [35] N.Mazyavkina、S.Sviridov、S.Ivanov和E.Burnaev，组合优化的强化学习：调查，计算。操作。第134（2021）号决议，105400·Zbl 1511.90356号 [36] J.P.Mesa、A.Montoya、R.Ramos‐Pollan和M.Toro。多启动元启发式机器学习组件，用于解决容量受限的车辆路径问题。预印本2022。 [37] V.R.Máximo、J.F.Cordeau和M.C.V.Nascimento。AILS‐II：用于大规模容量受限车辆路径问题的自适应迭代局部搜索启发式算法。2022 [38] V.R.Máximo和M.C.V.Nascimento，针对容量受限的车辆路径问题的具有多样化控制的混合自适应迭代局部搜索，Eur.J.Oper。第294（2021）号决议，1108-1119·Zbl 1487.90145号 [39] M.Nazari、A.Oroojlooy、L.Snyder和M.Takánch，“解决车辆路径问题的强化学习”，神经信息处理系统进展，第31卷，Curran Associates，Inc，纽约州Red Hook，2018年。 [40] A.Ostertag、K.F.Doerner和R.F.Hartl，《集成在POPMUSIC框架中用于解决大规模车辆路径问题的可变邻域搜索》，混合元启发式，施普林格-柏林-海德堡，柏林，海德堡出版社，2008年，第29-42页。 [41] A.Plastino、H.Barbalho、L.F.M.Santos、R.Fuchshuber和S.L.Martins，《DM‐GRASP混合元启发式的适应性和多挖掘版本》，《启发式杂志》20（2014），第39-74页。 [42] E.奎洛加和R.Sadykov。POP‐HGS：混合遗传搜索作为POPMUSIC算法的子解算器，论文发表于：第12届DIMACS实施挑战：车辆路径问题。2022 [43] E.Queiroga、R.Sadykov和E.Uchoa，关于容量车辆路线问题的流行数学，Comput。操作。第136（2021）号决议，105475·Zbl 1511.90067号 [44] M.Reimann、K.Doerner和R.F.Hartl，D‐ants：基于储蓄的蚂蚁可以分割和征服车辆路径问题，计算。操作。第31号决议（2004年），563-591·Zbl 1061.90024号 [45] M.H.Ribeiro、A.Plastino和S.L.Martins，GRASP元启发式与数据挖掘技术的杂交，J.Math。模型。算法5（2006），23-41·Zbl 1099.68741号 [46] Y.Rochat和E.D.Taillard，车辆路线局部搜索中的概率多样化和强化，《启发式》1（1995），147-167·Zbl 0857.90032号 [47] H.Santos、L.Ochi、E.Marinho和L.Drummond，将进化算法与数据挖掘相结合以解决单车辆路径问题，神经计算70（2006），70-77。 [48] L.F.Santos、S.L.Martins和A.Plastino，《DM‐GRASP启发式的应用：调查》，国际翻译。操作。第15号决议（2008年），387-416·Zbl 1157.90015号 [49] M.Sarhani、S.Voß和R.Jovanovic，《元启发式初始化：综合评论、批判性分析和研究方向》，国际翻译。操作。第30号决议（2023年），3361-3397·Zbl 07745330号 [50] M.Simensen、G.Hasle和M.Stálhane，《将混合遗传搜索与破产和重建相结合以解决容量受限的车辆路径问题》，《启发式杂志》28（2022），653-697。 [51] K.Sörensen、F.Arnold和D.P.Cuervo，《对“改进的克拉克和赖特节约算法”的批判性分析》，国际翻译。操作。第26号决议（2019年），54-63·Zbl 07765929号 [52] A.Subramanian、E.Uchoa和L.S.Ochi，一类车辆路径问题的混合算法，计算。操作。第40号决议（2013年），2519-2531·Zbl 1348.90132号 [53] E.G.Talbi，机器学习到元启发式：调查和分类，ACM计算。Surv.54（2021），1-32。 [54] P.Toth和D.Vigo，《车辆路线：问题、方法和应用》，第二版，美国工业和应用数学学会，2014年·Zbl 1305.90012号 [55] D.Tuzun、M.A.Magent和L.I.Burke，使用神经网络选择车辆路径启发式，国际事务。操作。Res.4（1997），211-221·Zbl 0891.90064号 [56] R.Tyasnurita、E.Özcan和R.John。使用时延神经网络学习启发式选择用于开放式车辆路径，IEEE进化计算大会（CEC）。2017 1474-1481. [57] E.Uchoa、D.Pecin、A.Pessoa、M.Poggi、T.Vidal和A.Subramanian，容量受限车辆路径问题的新基准实例，欧洲期刊Oper。第257号决议（2017年），845-858·Zbl 1394.90130号 [58] T.Vidal，节点，边缘，弧线布线和转弯惩罚：多个问题-一个邻域扩展，Oper。第65号决议（2017），992-1010·Zbl 1378.90031号 [59] T.Vidal，CVRP的混合遗传搜索：开源实现和SWAP*邻域，Comput。操作。第140号决议（2022年），105643·Zbl 1512.90004号 [60] T.Vidal、T.G.Crainic、M.Gendreau、N.Lahrichi和W.Rei，多报告和周期性车辆路径问题的混合遗传算法，Oper。第60号决议（2012年），611-624·Zbl 1260.90058号 [61] T.Vidal、T.G.Crainic、M.Gendreau和C.Prins，《多属性车辆路径问题的统一解决方案框架》，Eur.J.Oper。Res.234（2014），658-673·Zbl 1304.90004号 [62] T.Vidal、N.Maculan、L.S.Ochi和P.H.V.Penna，针对利润车辆路径问题的隐含客户选择的大型社区，交通运输。科学50（2016），720-734。 [63] T.Vidal、R.Martinelli、T.A.Pham和M.H.Há，《与时间相关的行程时间和路径的圆弧布线》，交通运输。科学55（2021），706-724。 [64] S.Voigt、M.Frank、P.Fontaine和H.Kuhn，混合自适应大邻域搜索与车辆段位置决策的车辆路径问题，计算。操作。第146（2022）号决议，105856·Zbl 1520.90057号 [65] S.Voigt、M.Frank、P.Fontaine和H.Kuhn。混合大邻域搜索用于容量受限车辆路径问题和带时间窗的车辆路径问题，论文发表于：第12届DIMACS实施挑战：车辆路径问题。2022 [66] J.J.Q.Yu、W.Yu和J.Gu，带神经组合优化和深度强化学习的在线车辆路径，IEEE Trans。智力。运输。系统20（2019），3806-3817。 [67] J.Zhang，进化计算与机器学习：一项调查，IEEE计算。智力。Mag.6（2011），68-75。 [68] J.Zheng、X.Zheng，Y.Wei和K.He。MAESN：求解器描述，论文发表于：第12届DIMACS实施挑战：车辆路径问题。2022 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。