《机器学习与利用历史解求解车辆路径VRP问题的研究进展文献综述》3100字.docxVIP

PAGE8

机器学习与利用历史解求解车辆路径VRP问题的研究进展文献综述

1.1机器学习求解VRP问题的研究进展

除却传统上使用精确算法或启发式算法等组合优化算法去求解VRP这类运筹学问题外，随着数据挖掘和ML的蓬勃发展，很多传统的研究领域开始应用这些新的技术工具和方法。SnoeckA(2020)[72]总结出，最近一段时间以来，渐渐有学者聚焦于将机器学习应用于处理运筹优化领域的问题，并且已经有了一些突出的进展，其显著表现为机器学习等方法解决组合优化问题，可以跳出传统求解算法在解决问题时必须要对每个实例进行决策规划的重复性过程。

当前研究的文献中，将机器学习方法应用于解决组合优化问题的重点方向有两个。一类是如CoorayP(2017)[73]在文章中像是一种新的求解算法一般，将机器学习方法直接对问题进行求解。比如NazariM(2018)[74]提出的利用由encoder、Attention和decoder三部分构成的指针网络去将求解问题的数据，按照一定权重进行统计意义上的概率分布，去进行概率分布解析。Milan(2017)[75]及Bello(2017)[76]相继使用循环神经网络结合和有监督的学习方式来求解旅行商问题。另一类是将机器学习以组件的形式嵌合求解组合优化问题的传统算法。比如开展如梯度下降的训练学习，借此实现精确算法BP中节点界限的确定等工作。又例