基于双视角协同 Transformer 学习迭代求解路由问题
机器学习
2022-12-02 v3 人工智能
摘要
近来，Transformer 已成为求解车辆路由问题（VRPs）的主流深度架构。然而，其在学习 VRP 的改进模型方面效果较弱，因为其位置编码（PE）方法不适合表示 VRP 解。本文提出一种新颖的双视角协同 Transformer（DACT），分别学习节点与位置特征的嵌入，而非像现有方法那样将其融合，从而避免潜在噪声与不兼容关联。此外，位置特征通过一种新颖的循环位置编码（CPE）方法进行嵌入，使 Transformer 能有效捕捉 VRP 解（即循环序列）的循环性与对称性。我们使用近端策略优化训练 DACT，并设计了一种课程学习策略以提升采样效率。我们将 DACT 应用于求解旅行商问题（TSP）与带容量约束的车辆路由问题（CVRP）。结果表明，我们的 DACT 优于现有基于 Transformer 的改进模型，并在合成与基准实例上对不同问题规模展现出好得多的泛化性能。
引用
@article{arxiv.2110.02544,
title = {Learning to Iteratively Solve Routing Problems with Dual-Aspect Collaborative Transformer},
author = {Yining Ma and Jingwen Li and Zhiguang Cao and Wen Song and Le Zhang and Zhenghua Chen and Jing Tang},
journal= {arXiv preprint arXiv:2110.02544},
year = {2022}
}
备注
Accepted at NeurIPS 2021. Changes in v3: updated CVRP performance due to more accurate feasibility masks (reduced training time); improved comparison analysis in Table 1 and Section 5; fixed minor typos/inaccuracies in the CPE equation, Figure 6, and other sentences