RRNCO：面向真实世界路径规划的神经组合优化
机器学习
2026-03-17 v2 人工智能
摘要
神经组合优化（NCO）在车辆路径问题中的实际部署受到关键的 sim-to-real 差距的阻碍。这种差距不仅源于在过于简化的欧几里得数据上进行训练，还源于无法处理具有相关非对称成本矩阵（例如真实世界距离和持续时间）的基于节点和边的特征的基于节点的架构。我们引入了 RRNCO，一种专门设计用于解决这些复杂性的新颖架构。RRNCO 的新颖性在于两个关键创新。首先，其自适应节点嵌入使用学习到的上下文门控机制，将空间坐标与真实世界距离特征高效融合。其次，其神经自适应偏置是首个联合建模非对称距离、持续时间和方向角的机制，使其能够捕获复杂的、真实的路径约束。此外，我们引入了一个基于真实世界数据的新 VRP 基准，这对于弥合这一 sim-to-real 差距至关重要，该基准包含来自 100 个不同城市的非对称距离和持续时间矩阵，使得 NCO 求解器能够在更具代表性的实际设置任务上进行训练和验证。实验表明，RRNCO 在该基准上取得了 SOTA 性能，显著推进了神经求解器在真实世界物流中的实际适用性。我们的代码、数据集和预训练模型可在 https://github.com/ai4co/real-routing-nco 获取。
引用
@article{arxiv.2503.16159,
title = {RRNCO: Towards Real-World Routing with Neural Combinatorial Optimization},
author = {Jiwoo Son and Zhikai Zhao and Federico Berto and Chuanbo Hua and Zhiguang Cao and Changhyun Kwon and Jinkyoo Park},
journal= {arXiv preprint arXiv:2503.16159},
year = {2026}
}
备注
Accepted at ICLR 2026. OpenReview: https://openreview.net/forum?id=sKvo9ZZfpe