Resumen: Este documento revisa el progreso actual en la aplicación de herramientas de aprendizaje automático (ML) para resolver problemas de optimización combinatorial de NP-Hard, con un enfoque en problemas de enrutamiento como el problema de vendedor ambulante (TSP) y el problema de enrutamiento de vehículos (VRP). Debido a la complejidad inherente de estos problemas, los algoritmos exactos a menudo requieren un tiempo computacional excesivo para encontrar soluciones óptimas, mientras que las heurísticas solo pueden proporcionar soluciones aproximadas sin garantizar la optimización. Con el reciente éxito de los modelos de aprendizaje automático, existe una tendencia creciente en la propuesta e implementación de diversas técnicas de ML para mejorar la resolución de estos problemas de enrutamiento desafiantes. Proponemos una taxonomía que clasifica los métodos de enrutamiento basados en ML en enfoques basados en la construcción y basados en mejoras, destacando su aplicabilidad a diversas características del problema. Esta revisión tiene como objetivo integrar los métodos tradicionales o con técnicas de ML de última generación, proporcionando un marco estructurado para guiar la investigación futura y abordar las variantes VRP emergentes.
Publicado Originalme en export.arxiv.org El 1 de julio de 2025.
Ver Fuente Original
