arXiv cs.AI· Jun Zhang, Wei-Jie Yu, Tong Qian, Eui Jeong Kwak, Sang-Woon Jeon, Hua Ding, Qijia Jiang, Hu Jin, Haewoon Nam, Changjun Zhou·· 1 天前AI 评分18
基于矩阵蚁群搜索与批量解码的分层补货路径规划：韩国城市数据风格化案例研究
Matrix-Based Ant Colony Search with Batched Decoding for Hierarchical Replenishment Routing: A Stylized Case Study Based on Korean City Data
AI 导读
研究提出 MACO——基于矩阵的蚁群搜索结合批量局部搜索，用于单车辆分层补货路径问题，在韩国人口与地理数据构建的 100 节点基准上平均总距离 3081.7 km。相同局部搜索下遗传算法为 3074.9 km（无显著差异），MAX-MIN 蚁群系统为 3142.2 km。消融显示批量局部搜索是解质量的主要贡献者，负载感知转移因子无显著增益。
正文 · AI 翻译
摘要：我们研究一个风格化的单车补货-路径问题，其中全国物流网络中的城市既是需求点又是供应点：一辆容量有限的车辆向每个城市配送一次，当其载货不足以到达下一个城市时，必须绕行到已经服务过且仍能供应货物的城市。基于韩国人口和地理数据构建了一个 100 节点基准，城市被划分为 10 个等级；每次访问的供应系数和允许的停靠次数随等级呈几何级数递减。在基于矩阵的蚁群优化基础上，我们将整个蚁群的状态保存在数组中，将路径构建与固定的贪心补货解码策略耦合，并批量评估局部搜索的候选移动。在冻结参数并在从未用于调参的种子上运行 30 次的情况下，基于矩阵的蚁群搜索结合批量局部搜索（MACO）达到平均总距离 3081.7 km；配备相同局部搜索且频率相同的遗传算法达到 3074.9 km（无显著差异），配备相同局部搜索的 MAX-MIN 蚁群系统达到 3142.2 km。消融实验表明批量局部搜索是解质量的主要贡献者；负载感知转移因子没有带来显著增益。在测试的参数范围内，提高顶层以下城市的供应系数比放宽停靠限制更能缩短路径，而停靠限制在此并不构成约束。
| 评论： | 9 页，6 幅图，4 张表；代码、数据和原始记录见补充文件 |
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；优化与控制（math.OC） |
| 引用为： | arXiv:2611.15338 [cs.NE] |
| （或 arXiv:2611.15338v1 [cs.NE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15338 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jun Zhang [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 11:16:36 UTC（3,662 KB）
来源：arXiv cs.AI · arxiv.org