前瞻性学习：通过多节点前瞻预测增强神经路由策略
机器学习
2026-05-20 v1 人工智能
摘要
神经策略在解决车辆路径问题方面展现出潜力，因为它们减少了对人工启发式方法的依赖。然而，当前的训练范式存在一个根本性局限：它们主要关注用于构建解的下一个节点预测，导致短视决策，损害了长程规划能力。为此，我们引入了多节点前瞻预测 (MnLP)，这是一种新颖的训练策略，将监督学习范式扩展至同时预测多个未来节点。我们引入了仅在训练期间运行的因果性和可丢弃 MnLP 模块，使模型能够预测多步决策，同时保持推理时的效率。通过将多深度辅助监督纳入损失函数，MnLP 赋予了神经策略长程上下文理解的能力。实验表明，MnLP 优于现有训练方法，提升了神经策略在不同问题规模、分布和真实世界基准上的泛化能力。此外，MnLP 可以无缝集成到各种神经架构中，而不会引入额外的推理开销。
引用
@article{arxiv.2605.19975,
title = {Learning with Foresight: Enhancing Neural Routing Policy via Multi-Node Lookahead Prediction},
author = {Xia Jiang and Yaoxin Wu and Yew-Soon Ong and Yingqian Zhang},
journal= {arXiv preprint arXiv:2605.19975},
year = {2026}
}
备注
Accepted by the 35th International Joint Conference on Artificial Intelligence