基于可迁移局部策略集成的泛化神经求解器用于车辆路径问题

机器学习已被用于辅助求解 NP 难组合优化问题。一种流行的方式是通过深度神经网络学习构造解，因其高效且对专家知识需求少而受到越来越多关注。然而，许多针对车辆路径问题（VRPs）的神经构造方法聚焦于具有指定节点分布和有限规模的综合问题实例，导致在通常涉及复杂未知节点分布及大规模的真实世界问题上表现不佳。为使神经 VRP 求解器更实用，我们设计了一个从局部可迁移拓扑特征学习的辅助策略，称为局部策略，并将其与典型构造策略（从 VRP 实例的全局信息学习）集成以形成集成策略。通过联合训练，聚合策略协作互补以提升泛化能力。在旅行商问题和带容量约束 VRP 的两个知名基准 TSPLIB 和 CVRPLIB 上的实验结果表明，该集成策略显著提升了跨分布与跨规模的泛化性能，甚至在数千节点的真实世界问题上也表现良好。