GAMA: Neuer neuronaler Ansatz mit multimodaler Attention für VRP

Auf der Plattform arXiv wurde die neue Arbeit „GAMA: A Neural Neighborhood Search Method with Graph-aware Multi-modal Attention for Vehicle Routing Problem“ veröffentlicht. Der Beitrag präsentiert einen innovativen Ansatz, der neuronale Nachbarschaftssuchmethoden mit einer graphenbewussten, multimodalen Aufmerksamkeitsarchitektur kombiniert, um das klassische Vehicle Routing Problem (VRP) zu lösen.

Traditionelle neuronale Suchverfahren für VRPs nutzen häufig vereinfachte Zustandsdarstellungen und fügen heterogene Informationen lediglich durch Aneinanderreihung zusammen. Diese Vorgehensweise erschwert es, komplexe strukturelle und semantische Zusammenhänge zu erfassen. GAMA adressiert diese Schwächen, indem es die Probleminstanz und die sich entwickelnde Lösung als getrennte Modalitäten behandelt und beide mithilfe von Graph Neural Networks verarbeitet.

Die Kerninnovation liegt in der Kombination von gestapelten Selbst- und Kreuzaufmerksamkeitsschichten, die intra- und intermodal Interaktionen modellieren. Ein geschaltetes Fusionierungsmechanismus integriert die multimodalen Repräsentationen zu einem strukturierten Zustand, der es der Policy ermöglicht, fundierte und generalisierbare Operatorentscheidungen zu treffen.

Umfangreiche Experimente an synthetischen und Benchmark-Datensätzen zeigen, dass GAMA die aktuellen neuronalen Baselines deutlich übertrifft. Ablationsstudien belegen, dass sowohl die multimodale Aufmerksamkeitsmechanik als auch das gated Fusion-Design entscheidend für die erzielten Leistungssteigerungen sind.