用于解决车辆路径问题的跨问题学习

现有的神经启发式方法通常为每个特定的车辆路径问题(VRP)从头开始训练深度架构，忽略不同 VRP 变体之间可转移的知识。本文提出跨问题学习以协助为不同下游 VRP 变体训练启发式方法。特别地，我们将复杂 VRP 的神经架构模块化为 1) 用于处理旅行商问题(TSP)的背bone Transformer，以及 2) 用于处理复杂 VRP 中特定问题特征的额外轻量模块。因此，我们提议为 TSP 预训练背bone Transformer，然后在为每个目标 VRP 变体进行微调的过程中将其应用其中。一方面，我们完全对训练好的背bone Transformer 和问题特定模块进行微调。另一方面，我们仅对小型适配器网络以及模块进行微调，保持背bone Transformer 仍然有效。针对典型 VRP 的大量实验验证了 1) 完全微调的性能显著优于从头训练的模型，以及 2) 基于适配器的微调也在参数效率方面提供了相当好的性能。此外，我们实证证明了该方法在跨分布应用和多功能性方面的有利效果。