arXiv · cs.AI· Attila Lischka, Filip Rydin, Jiaming Wu, Morteza Haghir Chehreghani, Bal\'azs Kulcs\'ar·· 9 小时前
GREAT：面向非对称成本电动汽车路径问题的图边注意力网络
GREAT: A Graph Edge Attention Network for the Electric Vehicle Routing Problem with Asymmetric Costs
arXiv:2408.16717v4阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Attila Lischka, Filip Rydin, Jiaming Wu, Morteza Haghir Chehreghani, Bal\'azs Kulcs\'ar
研究任务与主要进展
研究团队提出图边注意力网络GREAT，将强化学习用于同时优化电动汽车路径与充电决策，以处理道路拓扑造成的非对称能耗成本。基于论文摘要，模型使用旧金山真实路网能耗数据训练，并在旧金山、维也纳和哥德堡数据集上测试，在15—40 kWh电池容量等设置中相对HGS启发式最多降低8.78%能耗、运行时间缩短60倍；相较联合优化路径与充电的自适应大邻域搜索，GREAT取得有竞争力的结果且运行更快。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org