COAgents：用于学习与导航路由问题搜索空间的多主体框架
人工智能
2026-05-21 v1
摘要
虽然车辆路径问题（VRP）是许多实际系统的关键，但由于其组合复杂性，在大规模情况下仍难以计算。传统启发式方法依赖于手工制定的规则进行局部改进，偶尔进行"跳跃"以逃离局部最优，但往往难以在不同实例之间普遍化。我们引入COAgents，这是一个合作的多主体框架，将搜索过程建模为图：节点表示解，边对应要么局部细化，要么大规模扰动以实现多样性（即跳跃）。在搜索期间动态构建部分搜索图（PSG），使COAgents能够训练节点选择主体和移动选择主体以指导集中，训练跳跃主体以触发恰当的探索新区域。与端到端学习方法不同，COAgents清晰地将问题无关的搜索控制与紧凑的领域特定编码分离，促进跨任务适应性。在CVRP和VRPTW基准上的大量实验表明，COAgents在CVRP上与多个学习型搜索基线相当，在更具挑战性的VRPTW实例上实现了新的学习方法SOTA，将与最强神经求解器（POMO）的结果缩小7%（N=100）和44%（N=50），分别相对于ALNS缩小21%和40%。代码可在https://github.com/mahdims/COAgents获取。
引用
@article{arxiv.2605.20618,
title = {COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space},
author = {Oleksandr Yakovenko and Mahdi Mostajabdaveh and Cheikh Ahmed and Abdullah Ali Sivas and Xiaorui Li and Zirui Zhou and Mao Kun},
journal= {arXiv preprint arXiv:2605.20618},
year = {2026}
}
备注
Accepted at LION 2026, The Learning and Intelligent Optimization Conference