NCO4CVRP：面向容积车辆路径问题的神经组合优化
机器学习
2026-04-21 v1 人工智能
摘要
神经组合优化（NCO）已成为通过集成深度学习模型来解决组合优化问题的强大框架。本 work聚焦于改进现有推断技术以提升解质量和泛化能力。具体而言，我们修改了Light Encoder Heavy Decoder（LEHD）模型中Random Re-Construct（RRC）方法，通过集成模拟退火（SA）实现改进。不同于常规RRC仅通过贪心替换次优片段实现的做法，我们的SA-based修改引入概率接受机制，允许模型跳出局部最优，探索更为多样化的解空间。此外，我们通过集成束搜索增强了Policy Optimization with Multiple Optima（POMO）方法，实现对多个有前景解的系统性探索，同时保持搜索空间的多样性。我们进一步探讨了不同的推断策略，包括Softmax抽样、贪心、Gumbel-Softmax和Epsilon-Greedy，分析其对解质量的影响。此外，我们探索了实例增强技术，如水平和垂直翻转以及旋转-based增强，以提高模型在不同CVRP实例上的泛化能力。我们的广泛实验表明，这些修改显著降低了各种容积车辆路径问题（CVRP）基准的optimality gap，其中Beam Search和SA-based RRC consistently 均表现出优异性能。通过细化推断技术并利用增强的搜索策略，我们的 work为NCO模型在现实世界组合优化任务中的更广泛适用性做出了贡献。
引用
@article{arxiv.2604.16581,
title = {NCO4CVRP: Neural Combinatorial Optimization for the Capacitated Vehicle Routing Problem},
author = {Mahir Labib Dihan and Md. Ashrafur Rahman Khan and Wasif Jalal and Md. Roqunuzzaman Sojib and Mashroor Hasan Bhuiyan},
journal= {arXiv preprint arXiv:2604.16581},
year = {2026}
}