基于对抗生成流网络的车辆路径问题求解
机器学习
2025-03-05 v1 人工智能
摘要
近期研究在通过应用深度（强化）学习实现端到端解构建方程求解车辆路径问题（VRP）方面取得了显著进展。然而，当前许多基于构造的神经网络求解器主要采用 Transformer 架构，面临可扩展性挑战，难以产生多样化解。为此，我们提出一种超越 Transformer 方法的新框架，即对抗生成流网络（AGFN）。该框架将生成流网络（GFlowNet）——一种擅长生成多样化解（路径）的概率模型——与用于判别（或评估）解的互补模型相结合。这些模型以对抗方式交替训练以提高整体解的质量，随后提出一种混合解码方法用于构造解。我们将 AGFN 框架应用于解决容量车辆路径问题（CVRP）和旅行商问题（TSP），实验结果表明 AGFN 在解决这些问题方面优于流行的基于构造的神经网络求解器，在合成数据和真实世界基准实例上展现出强大的泛化能力。
关键词
引用
@article{arxiv.2503.01931,
title = {Adversarial Generative Flow Network for Solving Vehicle Routing Problems},
author = {Ni Zhang and Jingfeng Yang and Zhiguang Cao and Xu Chi},
journal= {arXiv preprint arXiv:2503.01931},
year = {2025}
}
备注
Accepted at ICLR 2025