重新思考神经车辆路径规划中的位置编码
人工智能
2026-05-13 v1
摘要
基于 Transformer 的模型已成为车辆路径问题（VRP）神经组合优化（NCO）的主导范式，然而位置编码（PE）在这些架构中的作用在很大程度上仍未得到探索。与自然语言中词元在一条线上均匀分布不同，路径解表现出若干特性，使得标准的 NLP 位置编码不够充分。在这项工作中，我们形式化了路径感知 PE 应遵循的三个结构特性，即非等距节点距离、循环且方向感知的拓扑结构，以及以车场为锚点的分层全局多路径结构，并将它们与几何基础的统一设计原则相结合。在这些标准的指导下，我们分析并比较了涵盖 NLP、图 Transformer 和路径特定系列的 PE 方法，并提出了一种分层非等距 PE，它将基于距离索引的、循环一致的路径内编码与以车场为锚点的角度跨路径编码相结合。跨多种 VRP 变体的大量实验表明，基于几何的 PE 始终优于基于索引的替代方案，其增益可跨问题变体、模型架构和分布偏移进行迁移。
引用
@article{arxiv.2605.11910,
title = {Rethinking Positional Encoding for Neural Vehicle Routing},
author = {Chuanbo Hua and Federico Berto and Andre Hottung and Nayeli Gast Zepeda and Yining Ma and Zihan Ma and Paula Wong-Chung and Changhyun Kwon and Cathy Wu and Kevin Tierney and Jinkyoo Park},
journal= {arXiv preprint arXiv:2605.11910},
year = {2026}
}