Évaluation empirique des modèles d'apprentissage profond pour le problème de tournées de véhicules avec contrainte de capacité - Archive ouverte HAL
Communication Dans Un Congrès Année : 2021

Évaluation empirique des modèles d'apprentissage profond pour le problème de tournées de véhicules avec contrainte de capacité

Ali Yaddaden
Sébastien Harispe
Michel Vasquez

Résumé

Dans ce travail, nous partons du constat que les évaluations des récentes approches basées sur les réseaux de neurones profonds ne s'appuient pas sur les instances issues de benchmarks de la littérature. De telles évaluations permettraient de situer objectivement ces approches. Nous proposons donc une évaluation empirique des modèles de réseaux de neurones profonds via l'algorithme Active Search sur le CVRP en fournissant des résultats sur des instances bien connues de CVRPLib.
Fichier principal
Vignette du fichier
AS_for_CVRP.pdf (396.85 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03595287 , version 1 (03-03-2022)

Identifiants

  • HAL Id : hal-03595287 , version 1

Citer

Ali Yaddaden, Sébastien Harispe, Michel Vasquez. Évaluation empirique des modèles d'apprentissage profond pour le problème de tournées de véhicules avec contrainte de capacité. ROADEF 2022 - 23ème congrès annuel de la Société Française de Recherche Opérationnelle et d'Aide à la Décision, INSA Lyon, Feb 2022, Villeurbanne - Lyon, France. ⟨hal-03595287⟩
125 Consultations
111 Téléchargements

Partager

More