LINC：在构造式神经路由中将局部后果评分与隐式匹配解耦
机器学习
2026-05-08 v1
摘要
构造式神经路由求解器通常通过将解码器上下文与候选嵌入相匹配来对下一动作评分，隐藏了诸如行驶、等待、宽裕时间及容量变化等确定性单步后果。我们提出 LINC（基于范数比较的局部推理），一种显式计算这些后果的解码器端候选决策架构。LINC 根据其决策角色使用这些后果：中心化的相对后果由共享的线性局部评分器进行比较，而可行集摘要则调制解码器上下文。这保留了标准的全局匹配，并使隐藏状态免于重新发现转移算术。带时间窗的容量约束车辆路径问题 (CVRPTW) 作为主要的约束路由压力测试；同一接口扩展至容量约束车辆路径问题 (CVRP) 和旅行商问题 (TSP)。特别是，对于 CVRPTW，LINC 将 PolyNet 在 Solomon/Homberger 基准上的差距从 13.83%/38.15% 降至 7.26%/14.71%；对于 TSP 和 CVRP，它也改善了外部基准差距。
引用
@article{arxiv.2605.06332,
title = {LINC: Decoupling Local Consequence Scoring from Hidden Matching in Constructive Neural Routing},
author = {Shaofeng Qin and Li Wang},
journal= {arXiv preprint arXiv:2605.06332},
year = {2026}
}
备注
21 pages, 10 figures, 10 tables. Code: https://github.com/Elaina10172004/LINC