重新思考基于轻量解码器的车辆路径问题求解器
人工智能
2025-03-04 v1 机器学习
摘要
轻量解码器求解器因其效率高且易于集成强化学习算法而在解决车辆路径问题（VRP）方面受到欢迎。然而，它们常常在解决更大规模问题实例或不同VRP变体时面临泛化能力不足的问题。本文重新审视了轻量解码器方法，分析了其依赖静态嵌入和随之而来的固有挑战。具体而言，我们证明在轻量解码器范式中，编码器隐式地被要求在单个嵌入集合中捕获所有潜在决策情景的信息，从而导致高信息密度。此外，我们的经验分析表明，过于简单的解码器难以有效地利用这种稠密信息，特别是在任务复杂度增加时，这会限制其在超出分布（OOD）设置下的泛化能力。基于这些见解，我们展示了通过增加身份映射和一个前馈层可以显著缓解泛化问题。实验表明，我们的方法在大规模实例和复杂VRP变体上的ODD泛化能力显著提升，缩小了与重量解码器范式之间的差距。我们的代码可在：https://github.com/ziweileonhuang/reld-nco获取。
引用
@article{arxiv.2503.00753,
title = {Rethinking Light Decoder-based Solvers for Vehicle Routing Problems},
author = {Ziwei Huang and Jianan Zhou and Zhiguang Cao and Yixin Xu},
journal= {arXiv preprint arXiv:2503.00753},
year = {2025}
}
备注
Accepted at ICLR 2025