持续漂移下的终身学习车辆路径问题求解：重演与精炼
机器学习
2026-05-08 v2 人工智能
摘要
现有的神经网络车辆路径问题 (VRP) 求解器通常要么在固定的预定义任务集合上进行一次性训练，要么在任务顺序到达的情况下进行终身学习，假设对每个任务都有充足的训练资源。两种设置均忽视了现实场景中的常见属性：问题模式可能随时间持续漂移，导致大量顺序出现的任务，每个任务仅拥有有限的训练资源。本文提出一种针对时间内持续任务漂移下的神经 VRP 求解器的新型终身学习范式，每个任务在单个学习时间步中局部平稳，但仅获得不足够的训练资源。我们经验性地证明了这种持续漂移在实际中确实存在，基于真实的物流数据集。随后，我们提出 Dual Replay with Experience Enhancement (DREE)，一种通用的框架，用于提高学习效率并缓解在此类漂移下的灾难性遗忘。基于真实物流数据集和常用合成数据集的大量实验表明，在持续漂移下，DREE 有效学习新任务，保留先前知识，提高对未见任务的泛化能力，可应用于各种现有的神经网络求解器。
引用
@article{arxiv.2601.22509,
title = {Keep Rehearsing and Refining: Lifelong Learning Vehicle Routing under Continually Drifting Tasks},
author = {Jiyuan Pei and Yi Mei and Jialin Liu and Mengjie Zhang and Xin Yao},
journal= {arXiv preprint arXiv:2601.22509},
year = {2026}
}