Learning Heuristics to Solve Dynamic Vehicle Routing Problems Using Large Language Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Modern logistics companies face significant challenges in efficiently managing dynamic transportation systems, particularly in addressing Dynamic Vehicle Routing Problems (DVRP). These complex problems require specialized expertise for effective algorithm design. Traditional approaches often rely on manual algorithm design for specific routing problems. Reinforcement learning (RL)-based methods, though capable of learning heuristics for diverse routing problems, suffer from poor training efficiency and weak generalization to out-of-distribution (OOD) scenarios. To address these limitations, we leverage the strong generalization capabilities of large language models (LLMs) and adopt an LLM-based heuristic learning approach for DVRP. Our method learns heuristics and autonomously generates executable code within an evolutionary framework, requiring fewer than 10 samples for training. This enables fast training while maintaining robust performance on large-scale OOD instances. Comprehensive experiments across multiple routing problems—including Vehicle Routing Problems (VRP), VRP with Time Windows (VRPTW), DVRP, and DVRP with Time Windows (DVRPTW)—demonstrate that our approach learns effective heuristics and consistently surpasses Greedy baselines. Moreover, in constrained optimization tasks (VRPTW and DVRPTW), our method attains higher feasibility rates than Greedy baselines and approaches the performance of expert-designed heuristics. The proposed method presents a promising and scalable solution with significant potential for real-world industrial deployment.1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle