CaDA：基于约束感知双注意力的跨问题路由求解器
人工智能
2024-12-03 v1
摘要
车辆路径问题（VRPs）是具有重要实际意义的组合优化（CO）问题。最近，神经组合优化（NCO）——即通过在大量数据上训练深度学习模型来学习车辆路由启发式方法——因其高效性和减少手动算法设计的需求而成为一种有前景的 approach。然而，将 NCO 应用于具有各种约束条件的多样化现实场景需要具备跨问题能力。当前的 NCO 方法通常采用统一模型，缺乏约束特定结构，限制了其跨问题性能。当前用于 VRPs 的多任务方法通常采用约束不敏感的模型，限制了其跨问题性能。此外，它们仅依赖全局连接，无法针对关键节点进行聚焦，导致表示学习效率低下。本文引入了约束感知双注意力模型（CaDA），旨�解决上述局限性。CaDA 包含一种高效表示不同问题变体的约束提示符。此外，它具备一种双注意力机制，包含用于捕获更广阔图形信息的全局分支和 selectively focus on 最相关节点 的稀疏分支。我们在 16 种不同的 VRPs 上全面评估了该模型，并将其性能与现有的跨问题 VRP 求解器进行比较。CaDA 在所有 VRPs 上均实现了最先进的结果。我们的消融研究进一步确认了 CaDA 的每个组件对其跨问题学习性能都有积极贡献。
引用
@article{arxiv.2412.00346,
title = {CaDA: Cross-Problem Routing Solver with Constraint-Aware Dual-Attention},
author = {Han Li and Fei Liu and Zhi Zheng and Yu Zhang and Zhenkun Wang},
journal= {arXiv preprint arXiv:2412.00346},
year = {2024}
}