arXiv cs.AI· Attila Lischka, Filip Rydin, Jiaming Wu, Morteza Haghir Chehreghani, Bal\'azs Kulcs\'ar·· 3 天前AI 评分22
GREAT：面向非对称成本电动汽车路径问题的图边注意力网络
GREAT: A Graph Edge Attention Network for the Electric Vehicle Routing Problem with Asymmetric Costs
AI 导读
针对电动汽车路径问题（EVRP）中由道路拓扑导致的非对称能耗成本，研究者提出图边注意力网络 GREAT，完全在边空间而非节点坐标上运算，并与端到端强化学习框架结合，联合优化路径与充电决策。
正文 · AI 翻译
摘要：由于交通系统持续的电动化，诸如电动汽车路径问题（EVRP）这类基于能量的路径问题正变得日益重要。与欧几里得路径问题不同，EVRP 涉及由道路拓扑引起的不对称能量成本。现有的基于学习的路径方法基于图神经网络（GNN）或在欧几里得节点坐标上运行的 transformer 架构，使其难以适用于诸如能耗这类不对称、非欧几里得的基于边的度量。为解决这一问题，我们提出了图边注意力网络（GREAT），这是一种与 GNN 相关的新颖架构，完全在边空间而非节点坐标上运行，从而天然兼容不对称的路径成本。GREAT 被集成到端到端强化学习框架中，联合优化 EVRP 的路径与充电决策。我们使用来自旧金山的真实世界能耗数据训练模型，这些数据源自富含拓扑特征的物理道路网络，并在来自旧金山、维也纳和哥德堡的数据集上评估泛化能力。在多种电池容量（15-40 kWh）和客户需求分布下，GREAT 在大多数测试设置中优于基于 HGS 的强 EVRP 启发式方法，实现高达 8.78% 的能耗降低，同时将运行时间缩短 60 倍。此外，我们与一个联合优化路径与充电的定制自适应大邻域搜索（ALNS）进行了基准比较。GREAT 以更快的运行时间实现了有竞争力的性能，并且我们表明 ALNS 可以从 GREAT 解的热启动中获益。我们进一步在标准（不对称）路径问题上评估 GREAT，包括旅行商问题、带容量约束的车辆路径问题和定向问题，在非欧几里得设置下，它在神经方法中达到了最先进的性能。
| 评论： | 40 页，10 张图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2408.16717 [cs.LG] |
| （或 arXiv:2408.16717v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2408.16717 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Attila Lischka [查看电子邮件]
[v1]
2024 年 8 月 29 日星期四 17:07:43 UTC（1,864 KB）
[v2]
2025 年 6 月 26 日星期四 13:54:56 UTC（1,244 KB）
[v3]
2025 年 9 月 29 日星期一 15:30:46 UTC（1,797 KB）
[v4]
2026 年 10 月 10 日星期六 09:24:45 UTC（8,256 KB）
来源：arXiv cs.AI · arxiv.org