通过联邦学习提升车辆路径问题的跨问题性能
人工智能
2026-04-14 v1 机器学习
摘要
车辆路径问题（VRPs）是现代物流和供应链管理中的核心优化挑战。最近的神经组合优化（NCO）在某些传统算法上 demonstrating of 超越性能。尽管作为解决通用 VRP 的主要 NCO 方法，当前的跨问题学习范式在将简单 VRP 变体迁移到涉及不同复杂约束的情形时，仍存在性能下降和可迁移性衰减的问题。为加强这一范式，本文提出一种创新的“多问题预训练后单问题微调”框架（MPSF-FL），该框架利用联邦学习来探索全局模型中所需的通用知识，以促进跨问题间的高效知识共享和迁移。这样，局部模型即可有效保留来自最新全局模型的通用 VRP 知识，同时能够高效地适应具有异构复杂约束的下游 VRP。实验结果表明，我们的框架不仅提升了各种 VRP 的性能，还改善了在未见问题中的可迁移性。
引用
@article{arxiv.2604.10652,
title = {Enhancing Cross-Problem Vehicle Routing via Federated Learning},
author = {Xiangchi Meng and Jianan Zhou and Jie Gao and Yifan Lu and Yaoxin Wu and Gonglin Yuan and Yaqing Hou},
journal= {arXiv preprint arXiv:2604.10652},
year = {2026}
}