SEAFormer: 一种用于现实世界车辆路径问题的空间邻近与边缘感知Transformer

现实世界车辆路径问题需要在大规模下解决复杂的、序列依赖的挑战，并考虑诸如交付时间窗、补给或充电停靠、非对称旅行成本等约束。虽然最近的神经方法在大规模经典VRP基准上取得了强劲的结果，但它们难以解决RWVRP，因为它们的策略忽略了序列依赖性，并且未充分利用边缘级信息，而这正是定义RWVRP复杂性的特征。我们提出了SEAFormer，一种新颖的Transformer，它通过两个关键创新在决策中结合了节点级和边缘级信息。首先，我们的聚类邻近注意力利用局部感知聚类，将注意力的复杂度从$O(n^2)$降低到$O(n)$，同时保持全局视角，使SEAFormer能够高效地训练大规模实例。其次，我们的轻量级边缘感知模块通过残差融合捕获成对特征，从而能够有效整合基于边缘的信息并实现更快的收敛。跨四种不同规模的RWVRP变体的大量实验表明，SEAFormer在性能上优于最先进的方法。值得注意的是，SEAFormer是第一个有效解决1000+节点RWVRP的神经方法，同时在经典VRP上也取得了优越的性能，使其成为研究基准和现实世界应用的多功能解决方案。