目录
摘 要 Ⅰ
ABSTRACT Ⅱ
第一章 绪论 1
1.1研究背景 1
1.2研究意义 1
1.3 研究现状 1
1.3.1序列到序列模型 2
1.3.2指向型网络 3
1.3.3图神经网络 4
1.3.4注意力机制 4
1.3.5 Transformer架构 5
第二章 模型架构及原理 6
2.1 注意力机制 6
2.1.1 注意力机制 6
2.1.2 自注意力机制 7
2.1.3 多头注意力 11
2.2 注意力模型 12
2.2.1 编码器 12
2.2.2 解码器 13
2.3 强化学习 14
2.3.1 强化学习简介 14
2.3.2 强化学习的分类 15
2.3.3 基于贪婪策略的强化学习 15
第三章 求解有容量限制的车辆路径问题 18
3.1 带容量限制的车辆路径问题求解 18
3.1.1 带容量限制的车辆路径问题介绍 18
3.1.2 车辆路径问题的求解流程 18
3.1.3 20个客户的车辆路径问题 20
3.1.4 50个客户的车辆路径问题 21
3.1.5 100个客户的车辆路径问题 23
3.1.6 结论分析 24
第四章 结论与展望 28
4.1 创新之处 28
4.2 存在问题与展望 28
参考文献 29
致 谢 30
基于深度强化学习的车辆路径问题算法设计
摘 要
车辆路径问题作为经典的组合优化问题，已经被大量的研究人员进行了研究。目前，精确式算法和启发式算法是求解车辆路径问题的首选。其中，精确式算法能够求解出问题的最优保证解，但是随着计算复杂度的提高，它不适应于处理大规模算例。相反，启发式算法的计算速度很快，但由于它没有以精确的理论为基础，通常只能求得次优解。但是，近年来 *51今日免费论文网|www.51jrft.com +Q: ￥351916072￥ 
随着深度学习的崛起，为解决大多数的组合优化问题提供了新的解决方向。本文意在通过借鉴Google所提出的Transformer架构，在此模型的基础上，针对带容量限制的车辆路径问题，对模型进行一定的更改，最终使得更改后的模型可以顺利训练并且能解决带有20、50、100个客户节点规模的车辆路径问题。最后，通过分析模型针对不同规模的车辆路径问题所给出的车辆路径规划，确实能够发现模型学到了一些方法来对线路进行规划，通过与车辆路径问题特定求解器求解出来的结果相对比，本文模型给出的解与求解器给出的解之间的偏差都在10%以内，且求解的时间非常短，突显了基于深度强化学习所搭建的神经网络模型的高效性。

原文链接：http://www.jxszl.com/jtgc/jjtys/610136.html