FiLMMeD：面向跨问题多车场车辆路径的特征级线性调制
机器学习
2026-05-01 v1
摘要
求解实际的多车场车辆路径问题（MDVRP）是一项具有挑战性的优化任务，是现代物流的核心，且日益受到电子商务的驱动。为解决MDVRP的计算复杂性，基于神经网络的组合优化方法为传统方法提供了一种有前景的可扩展替代方案。然而，基于神经网络的方法通常依赖于针对特定问题公式定制的刚性架构和输入编码。在现实世界中，异构约束产生了多种MDVRP变体，限制了此类模型的适用性。虽然多任务学习（MTL）已开始加速统一神经求解器的开发，但先前的工作几乎只关注单车场VRP，而MDVRP尚未得到解决。为弥合这一差距，我们提出了面向跨问题多车场车辆路径的特征级线性调制（FiLMMeD），这是一个针对24种不同MDVRP变体的新型统一神经模型。我们引入了三项主要贡献：（1）为提高模型的泛化能力，我们使用特征级线性调制（FiLM）增强了标准Transformer编码器，该调制根据活跃的约束集动态调节学习到的内部表示；（2）我们首次展示了偏好优化（Preference Optimization）在MTL环境中的应用，确立了其作为未来MTL工作中强化学习的优越替代方案；（3）为缓解因引入多车场约束而导致的泛化差距，我们引入了一种有针对性的课程学习策略，该策略逐步让模型接触日益复杂的约束交互。在24个MDVRP变体（包括8个新公式）和16个单场VRP上的大量实验证实了FiLMMeD的有效性，其性能始终优于最先进的基线模型。我们的代码可在以下链接获取：https://github.com/AJ-Correa/FiLMMeD/tree/main
引用
@article{arxiv.2604.28102,
title = {FiLMMeD: Feature-wise Linear Modulation for Cross-Problem Multi-Depot Vehicle Routing},
author = {Arthur Corrêa and Paulo Nascimento and Samuel Moniz},
journal= {arXiv preprint arXiv:2604.28102},
year = {2026}
}