Оптимизация маршрутов большой размерности с использованием глубоких нейронных сетей

Логистическая задача вывоза и доставки товаров по большому числу точек с ограничениями реального мира (в виде наличия временных окон при исполнении заказов и ограниченной вместимости транспортных средств) возникает, в настоящее время, в областях курьерской доставки, планирования грузоперевозок, маршрутизации. С учетом глобализации и роста бизнеса, потребность в оптимальных и быстрых методах планирования маршрутов, учитывающих ограничения реального мира, крайне велика. Точные методы применимы только на задачах небольшой размерности ($<$ 50); классические подходы, основанные на эвристиках, позволяют найти субоптимальное решение, но также не справляются с увеличением размера задач $>$ 1000 [1]). В настоящей работе мы впервые предложили использовать полностью нейросетевые модели для решения логистических задач большой размерности с ограничениями реального мира. Наш подход предполагает последовательное использование двух нейронных сетей: 1-я нейросетевая модель обучается разбивать задачу большой размерности на подзадачи, 2-я модель обучается оптимизировать маршруты в рамках подзадач. Экспериментальные результаты на размере задач 200, 1000, 5000 показывают, что предложенный подход превосходит существующие модели (как эвристические, так и гибридные) в данной области, предоставляя быстрое субоптимальное решение для всех размеров задач. Результаты предложенной модели значительно (до 30%) превосходят эвристики (OR-Tools, LKH), превосходят результаты лучших гибридных подходов, а также обеспечивают значительно меньший процент нерешенных логистических задач по сравнению с подходами на основе эвристик.