Resumen: Las heurísticas de búsqueda iterativa son ampliamente reconocidas como de última generación para resolver problemas de enrutamiento de vehículos (VRP). En este trabajo, identificamos y explotamos una observación crítica: dentro de estos solucionadores, una gran parte de la solución sigue siendo estable, es decir, sin cambios en las iteraciones de búsqueda, causando cálculos redundantes, especialmente para VRP a gran escala con sugerencias largas. Para abordar esto, es pionero en el estudio formal de la técnica de descomposición de primer segmento, Then-Agregate (FSTA) para acelerar los solucionadores iterativos. Específicamente, FSTA conserva segmentos de solución estables durante la búsqueda, agregue los nodos dentro de cada segmento en hipernodos fijos y enfoca la búsqueda solo en porciones inestables. Sin embargo, un desafío clave radica en identificar qué segmentos deberían agregarse por FSTA. Con este fin, presentamos el aprendizaje de segmento (L2SEG), un nuevo marco neuronal para diferenciar de manera inteligente porciones potencialmente estables e inestables para la descomposición FSTA. Presentamos tres variantes L2SEG: no autorregesas (globalmente integrales pero localmente indiscriminadas), autorregresivas (localmente refinadas pero deficientes globalmente), y su sinergia, con estrategias de entrenamiento e inferencia a medida. Los resultados empíricos en CVRP y VRPTW sugieren que L2SEG acelera solucionadores iterativos de última generación por hasta 7x. Además, proporcionamos un análisis en profundidad que muestra que NAR y AR Synergy logra el mejor rendimiento al combinar sus fortalezas complementarias. En particular, L2seg es un marco flexible que es compatible con los solucionadores tradicionales, basados en el aprendizaje e híbridos, al tiempo que admite una amplia clase de VRP.
Publicado Originalme en export.arxiv.org El 2 de julio de 2025.
Ver Fuente Original