终身学习者：发现车辆路径问题的通用神经求解器
机器学习
2025-08-19 v1 人工智能
机器人学
摘要
深度学习已被广泛探索用于解决车辆路径问题(VRPs)，产生一系列数据驱动的神经求解器，显示出有前景的效果。然而，大多数神经求解器训练时针对的是相对单调的情境，例如通过节点之间的欧几里得距离简化VRP并遵循单一问题规模，这损害了它们在不同情境下的即插即用性。为了提升其通用性，本文提出了一种新颖的终身学习框架，用于逐步训练神经求解器以管理不同情境下的VRP。具体而言，我们提出了终身学习者(LL)，利用Transformer网络作为骨干网络来解决一系列VRP。我们在LL中提出了跨情境自注意力机制，用于将解决前序VRP所获得的知识传递到后续VRP中。此外，我们开发了动态情境调度器(DCS)，采用跨情境经验回放进一步促进LL回顾解决前序VRP所获得的策略。在合成数据集和基准实例(问题规模最高达18k)的广泛实验结果表明，LL能够发现处理不同情境下通用VRP的有效策略， outperform 其他神经求解器，并在大多数VRP上实现最佳性能。
引用
@article{arxiv.2508.11679,
title = {Lifelong Learner: Discovering Versatile Neural Solvers for Vehicle Routing Problems},
author = {Shaodi Feng and Zhuoyi Lin and Jianan Zhou and Cong Zhang and Jingwen Li and Kuan-Wen Chen and Senthilnath Jayavelu and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2508.11679},
year = {2025}
}