Die Dissertation ist in drei Teile gegliedert, wobei jeder verschiedene Aspekte der Fahrzeugroutenplanung durch neuronale Algorithmen behandelt. Der erste Teil untersucht Konstruktionsmethoden für VRPs und konzentriert sich dabei auf neuronale Konstruktionsheuristiken. Es werden sowohl autoregressive als auch direkte Ansätze zur Erstellung valider Lösungen diskutiert und Einblicke in die damit verbundenen sequenziellen Entscheidungsprozesse und fortgeschrittenen Inferenztechniken gegeben. Im zweiten Teil werden Verbesserungsmethoden untersucht. Dabei steht insbesondere die Integration von gelernten neuronalen Komponenten mit traditionellen Local-Search- und Metaheuristischen Strategien im Fokus. Die Arbeit führt neue Konzepte für den Einsatz neuronaler Modelle ein, um die Parameter von Suchoperatoren zu optimieren sowie komplexe Nachbarschaftssuchen zu verfeinern. Der letzte Teil der Dissertation untersucht die ganzheitliche Integration neuronaler Methoden für Tourenplanungsprobleme. Dies umfasst die Untersuchung von Techniken zur Suche in großen Nachbarschaften (LNS) und die Kombination von gelernten Methoden zur Restrukturierung des Suchraums. Der Schwerpunkt liegt hier auf der Entwicklung von Algorithmen, die Laufzeit, Effizienz und Generalisierungsfähigkeiten verbessern können. Wesentliche Beiträge der Forschungsarbeit sind u.a. die Entwicklung des ersten Deep Learning-Ansatzes für das Capacitated Clustering Problem (CCP), ein neuartiges konstruktives Modell zur Lösung von VRPs mit vielen Nebenbedingungen und die Integration von Metaheuristiken mit Neural Network Controllern, die durch Reinforcement Learning trainiert werden. Darüber hinaus stellt die Dissertation einen speziellen LNS Algorithmus als hybride Metaheuristik vor, der neuronale Konstruktionsheuristiken nutzt, und führt eine neuronale Ruin Recreate-Methode ein, um neuronale Konstruktionsheuristiken für größere Tourenplanungsprobleme anwendbar zu machen Zusammenfassend bietet die Dissertation eine umfassende Untersuchung der Anwendung von fortgeschrittenen maschinellen Lernverfahren auf Tourenplanungsprobleme und zeigt verschiedene Potenziale für zukünftige Forschung und Entwicklung im Bereich der computergestützten Optimierung auf. Sie präsentiert verschiedene Möglichkeiten, traditionelle heuristische Algorithmen mit modernen maschinellen Lernmethoden zu kombinieren und bietet eine detaillierte Analyse der vorgestellten Ansätze.


    Access

    Download


    Export, share and cite



    Title :

    Neural Algorithms for Vehicle Routing : Learning Deep Models to Solve Vehicle Routing Problems



    Publication date :

    2025


    Size :

    1 Online-Ressource (260 Seiten)



    Type of media :

    Theses


    Type of material :

    Electronic Resource


    Language :

    English





    Machine Learning to Solve Vehicle Routing Problems: A Survey

    Bogyrbayeva, Aigerim / Meraliyev, Meraryslan / Mustakhov, Taukekhan et al. | IEEE | 2024


    Cost models for vehicle routing problems

    Sniezek, J. / Bodin, L. | IEEE | 2002



    Implementing vehicle routing algorithms

    Golden, B.L. / Magnanti, T.L. / Nguyan, H.Q. | Tema Archive | 1972