通过持续学习增强车辆路径问题求解的跨规模泛化能力
机器学习
2025-10-21 v2
摘要
探索机器学习技术解决车辆路径问题已引起广泛研究关注。为了获得高效且有效的解决方案，现有的车辆路径问题深度模型通常使用单一规模的实例进行训练和评估。这极大地限制了它们在不同问题规模间的泛化能力，从而阻碍了其实际应用。为解决此问题，我们提出了一种基于持续学习的框架，该框架使用问题规模递增的实例顺序训练深度模型。具体而言，一方面，我们设计了一种任务间正则化方案，以在较大规模模型训练中保留从较小问题规模获得的知识。另一方面，我们引入了一种任务内正则化方案，通过在每种规模训练期间模仿最新的期望行为来巩固模型。此外，我们利用经验回放来重温先前训练过的规模实例，以减轻灾难性遗忘。实验结果表明，与最先进的深度模型（包括专门用于增强泛化能力的模型）相比，我们的方法在各种问题规模（训练中见过或未见过的）上均取得了显著优越的性能。同时，对关键设计的消融研究证明了它们在所提出框架中的协同效应。
引用
@article{arxiv.2510.10262,
title = {Enhancing the Cross-Size Generalization for Solving Vehicle Routing Problems via Continual Learning},
author = {Jingwen Li and Zhiguang Cao and Yaoxin Wu and Tang Liu},
journal= {arXiv preprint arXiv:2510.10262},
year = {2025}
}