GAMA：一种面向车辆路径问题的图感知多模态注意力神经邻域搜索方法
人工智能
2025-12-04 v2
摘要
近期神经邻域搜索方法的进展在解决车辆路径问题（VRP）方面显示出潜力。然而，大多数现有方法依赖简化的状态表示，并通过简单拼接方式融合异构信息，限制了其捕捉丰富结构和语义上下文的能力。为此，我们提出了GAMA（Graph-aware Multi-modal Attention），一种面向车辆路径问题的神经邻域搜索方法。GAMA 使用图神经网络将问题实例及其演化解答编码为不同的模态，并通过堆叠的自注意力层和跨注意力层建模其内部和跨模态交互。随后，门控融合机制进一步将多模态表示整合为结构化状态，从而使策略能够做出明确且可推广的算子选择决策。针对各种合成和基准实例开展的大量实验表明，所提出的算法GAMA显著优于最近的神经基线方法。进一步的消融研究确认，多模态注意力机制和门控融合设计均在实现观察到的性能提升中发挥了关键作用。
引用
@article{arxiv.2511.07850,
title = {GAMA: A Neural Neighborhood Search Method with Graph-aware Multi-modal Attention for Vehicle Routing Problem},
author = {Xiangling Chen and Yi Mei and Mengjie Zhang},
journal= {arXiv preprint arXiv:2511.07850},
year = {2025}
}