重新审视约束感知以实现神经路径规划求解器的高效状态嵌入
人工智能
2026-05-12 v1 机器学习
摘要
重编码器轻解码器(HELD)神经路径规划求解器因其在多种车辆路径问题(VRPs)中的广泛适用性而成为一种有前景的范式。然而，它们在处理具有复杂约束的 VRP 变体时通常面临困难。为了解决这一局限性，本文从解码过程中状态嵌入（即兼容性计算前的查询向量）生成机制的角度，系统地重新审视了现有的神经求解器。我们发现当前机制在注意力计算中限制了观察空间，引入了实现高质量解的关键瓶颈。通过详细的实证分析，我们证明了保留全局观察空间的必要性。为了克服全局观察空间固有的约束无关性缺点，我们提出了一个简单而强大的约束感知残差调制(CARM)模块。通过使用与约束相关的变量自适应地调制上下文嵌入，CARM 有效地增强了约束感知，使神经求解器能够充分利用全局观察空间并生成高效的状态嵌入。在两个单任务和五个多任务神经路径规划求解器上的广泛实验结果证实，CARM 模块持续提升了基线性能。值得注意的是，配备我们 CARM 的求解器在扩展到大规模实例和泛化到未见 VRP 变体方面取得了显著改进。这些发现为神经路径规划求解器的架构设计提供了有价值的见解。
引用
@article{arxiv.2605.10122,
title = {Rethinking Constraint Awareness for Efficient State Embedding of Neural Routing Solver},
author = {Canhong Yu and Changliang Zhou and Rongsheng Chen and Zhenkun Wang and Yu Zhou},
journal= {arXiv preprint arXiv:2605.10122},
year = {2026}
}