Abstract
従来の均質なルーティング問題とは異なり、異種車両フリート車両ルーティング問題（HFVRP）では、異種の固定費、変動する移動費、および容量制約が含まれるため、解の品質が車両の選択に非常に敏感となる。さらに、実世界の物流アプリケーションではしばしば追加の複雑な制約が課され、計算の複雑性は大幅に増大する。ところが、既存のほとんどの深層強化学習（DRL）ベース手法は均質なシナリオに限定されているため、HFVRPおよびその複雑な派生問題に適用すると最適でない性能となる。このギャップを埋めるために、本研究では複雑な制約下でのHFVRPを調査し、さまざまな派生設定に対して問題を解ける統一的なDRLフレームワークを開発する。問題を単一段の自己回帰的意思決定過程として定式化するVehicle-as-Prompt（VaP）メカニズムを導入する。これに基づき、クロスセマンティックエンコーダとマルチビュー・デコーダを備えたVaP-CSMVを提案し、各種の問題派生を効果的に扱うとともに、車両の異種性と顧客ノード属性との間に存在する複雑な対応関係を的確に捉える。大規模な実験結果から、VaP-CSMVは既存の最先端のDRLベースのニューラルソルバを大幅に上回り、従来のヒューリスティックソルバと比べて競争力のある解の品質を達成しながら、推論時間を数秒にまで削減できることが示される。さらに、このフレームワークは、大規模かつこれまで見たことのない問題派生に対して強力なゼロショット汎化能力を示す。一方、アブレーション研究により、各コンポーネントが不可欠な寄与をしていることが検証される。
