Neuer Multi-Agent Pointer Transformer löst dynamische Fahrzeug-Routenprobleme

Ein neues Forschungsdokument aus dem arXiv-Repository präsentiert den Multi-Agent Pointer Transformer (MAPT), ein end‑to‑end-Framework, das das Multi‑Vehicle Dynamic Pickup and Delivery Problem mit stochastischen Anfragen (MVDPDPSR) effizient löst. Das Modell kombiniert einen Transformer‑Encoder zur Extraktion von Entitätsrepräsentationen mit einem Transformer‑Decoder, der über ein Pointer‑Network autoregressive Aktionssequenzen generiert. Durch die Einführung einer Relation‑Aware‑Attention‑Schicht werden Inter‑Entitätsbeziehungen explizit erfasst, während informative Priorisierungen die Exploration des Modells steuern.

Die Autoren zeigen, dass MAPT die klassischen Operations‑Research‑Methoden übertrifft, die bei großen, dynamischen Problemen oft an Rechenzeit und Komplexität scheitern. Im Vergleich zu bestehenden Reinforcement‑Learning‑Ansätzen behebt MAPT drei zentrale Schwachstellen: (1) unabhängiges Decodieren einzelner Fahrzeuge, (2) unzureichende Feature‑Extraction für Entitätsbeziehungen und (3) die exponentielle Größe des gemeinsamen Aktionsraums. Durch die Kombination von Transformer‑Architektur, Pointer‑Network und Relation‑Aware‑Attention wird eine effiziente, joint‑action‑basierte Entscheidungsfindung ermöglicht.

In umfangreichen Experimenten auf acht unterschiedlichen Datensätzen konnte MAPT nicht nur die Lösungsqualität deutlich steigern, sondern auch die Rechenzeit im Vergleich zu etablierten Baselines erheblich reduzieren. Das Ergebnis ist ein robustes, skalierbares System, das besonders für On‑Demand‑Delivery‑Szenarien geeignet ist, in denen schnelle und koordinierte Entscheidungen von mehreren Fahrzeugen erforderlich sind.