EGAM: 用于求解路径问题的扩展图注意力模型
机器学习
2026-01-30 v1
摘要
基于图神经网络实现的神经组合优化求解器为求解路径问题引入了新方法。通过强化学习训练，最先进的图注意力模型(GAM)无需专家知识或标注数据即可获得接近最优的解。本文中，我们推广了现有的图注意力机制，并提出了扩展图注意力模型(EGAM)。我们的模型利用多头点积注意力同时更新节点和边嵌入，解决了仅考虑节点特征的常规GAM的局限性。我们采用自回归编码器-解码器架构，并使用结合了专门设计基线的策略梯度算法进行训练。实验表明，EGAM在各种路径问题上与现有方法性能相当或更优。值得注意的是，所提模型在高度约束问题上表现出色，凸显了其在处理复杂图结构方面的效率。
引用
@article{arxiv.2601.21281,
title = {EGAM: Extended Graph Attention Model for Solving Routing Problems},
author = {Licheng Wang and Yuzi Yan and Mingtao Huang and Yuan Shen},
journal= {arXiv preprint arXiv:2601.21281},
year = {2026}
}