面向大规模 capacitated 车辆路径问题的 OD-DEAL：基于动态专家引导的对抗学习与在线分解
机器学习
2026-02-04 v2
摘要
解决大规模 capacitated 车辆路径问题 (CVRP) 受限于启发式方法的高复杂度以及神经求解器在大规模图上泛化能力的限制。我们提出 OD-DEAL，一种对抗学习框架，紧密集成混合遗传搜索 (HGS) 和在线重心聚类 (BCC) 分解，并利用高保真知识蒸馏传递专家启发式行为。OD-DEAL 通过对抗游戏训练基于图注意力网络 (GAT) 的生成策略，其中来自混合专家的分治策略被蒸馏为稠密代理奖励。这使得在大规模实例上实现无聚类推理。实验结果表明，OD-DEAL 实现了 CVRP 的最新 SOTA 实时性能，能够以接近恒定的神经网络规模求解 10000 节点实例。这独特地启用了满足动态大规模部署所需的亚秒级、启发式质量的推理。
引用
@article{arxiv.2602.00488,
title = {OD-DEAL: Dynamic Expert-Guided Adversarial Learning with Online Decomposition for Scalable Capacitated Vehicle Routing},
author = {Dongbin Jiao and Zisheng Chen and Xianyi Wang and Jintao Shi and Shengcai Liu and Shi Yan},
journal= {arXiv preprint arXiv:2602.00488},
year = {2026}
}