MVMoE：基于混合专家的多任务车辆路径求解器

学习求解车辆路径问题（VRP）引起了广泛关注。然而，大多数神经求解器仅针对特定问题进行独立的结构设计和训练，导致其通用性和实用性不足。在本文中，我们旨在开发一种能够同时处理多种 VRP 变体的统一神经求解器。具体而言，我们提出了一种基于混合专家的多任务车辆路径求解器（MVMoE），它在不按比例增加计算量的情况下大幅提升了模型容量。我们进一步为 MVMoE 开发了分层门控机制，在经验性能与计算复杂度之间取得了良好的折衷。在实验中，我们的方法显著提升了在 10 个未见 VRP 变体上的零样本泛化性能，并在少样本设置和真实基准实例上展示了良好的结果。我们进一步对 MoE 配置在求解 VRP 时的效果进行了广泛研究，并观察到分层门控在面对分布外数据时的优越性。源代码可在 https://github.com/RoyalSkye/Routing-MVMoE 获取。