基于约束矩阵扩散的生成式神经求解器用于车辆路径问题
机器学习
2026-03-10 v1
摘要
过去十年来, 受生成式人工智能驱动的神经网络求解器因其卓越的计算效率和 superior reasoning 能力而在车辆路径问题 (Vehicle Routing Problems, VRPs) 领域受到广泛关注。特别是, 融合强化学习的自回归求解器已成为显著趋势。然而, 现有工作大量强调神经方法在大规模泛化上的潜力, 却忽视了基于注意力机制的方法在异构问题参数分布上的有限鲁棒性。其在手工筛选、固定分布基准上的优势主要局限于此。此外, 这些架构在节点表示高度相似或任务涉及长期决策时往往显著退化。为解决上述局限, 本文提出一种新型融合神经网络框架, 采用离散噪声图扩散模型学习车辆路径问题的底层约束并生成约束赋值矩阵。该矩阵随后被自适应地集成到特征表示学习和决策过程之中, 作为图结构掩码, 促进具有全局视野和局部特征集成能力的解决方案的形成。迄今为止, 本工作代表着对 CVRPlib 公共数据集中跨四个维度的 378 种组合空间内神经网络模型求解器进行全面实验考察的首次系统性研究。广泛的实验评估表明, 我们提出的融合模型有效捕捉并利用问题约束, 在多个基准数据集上实现最先进的性能。
引用
@article{arxiv.2603.07568,
title = {Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems},
author = {Zhenwei Wang and Tiehua Zhang and Ning Xue and Ender Ozcan and Ling Wang and Ruibin Bai},
journal= {arXiv preprint arXiv:2603.07568},
year = {2026}
}