摘要
在足够接近旅行商问题（CETSP）中，必须找到一条最短的巡回路径，该路径经过每个给定的以客户为中心的邻域，这些邻域通常是围绕每个客户或目标点划定的圆盘区域。该问题在多个领域具有应用，例如射频识别（RFID）、无人机（UAV）任务规划、多访问无人机路径以及空中路线侦察规划。在本研究中，我们结合了此前关于CETSP估计模型的工作，以及将随机启发式算法应用于旅行商问题（TSP）、车辆路径问题（VRP）、分拆配送车辆路径问题（SDVRP）和背包问题等组合优化问题的结果，以高效获取高质量的优解值估计。在此，我们采用基于广义旅行商问题（GTSP）的离散化启发式方法，并在Steiner区域中合并节点。通过我们的基于回归的方法，我们能够对原本需要数小时才能求得最优解的实例获得估计值。在780个CETSP实例上，我们获得了0.56%的平均绝对百分比误差（MAPE），显著优于未使用启发式方法的类似基于预测器的方法，并且我们能够计算需要更长时间求解甚至无法近似的实例的准确估计值。我们致力于为该研究领域做出贡献，以证明我们能够获得各种困难组合优化问题的优秀最优解值估计。
