面向泛化的混合专家模型求解车辆路径问题
机器学习
2026-05-27 v1 人工智能
摘要
近年来，深度强化学习在车辆路径问题上取得了显著进展。然而，现有的基于深度强化学习的方法通常是在服从均匀分布的实例上训练的，这限制了它们在真实世界分布偏移下的性能。在本文中，我们旨在开发一种面向泛化的模型，该模型将策略网络划分为多个模块，并在推理过程中自适应地重新组合模块以形成特定策略。具体来说，我们提出了带有实例级门控的残差精炼专家（R2E-IG）来改进跨分布泛化。我们的贡献有三点：（1）引入了一种残差精炼专家（R2E）架构，通过残差精炼增强专家的表达能力；（2）设计了一种实例级门控机制，学习分布感知的实例表示并将输入路由到合适的模块；（3）提出了一种配备动态权重自适应的混合分布训练机制，该机制动态地重新加权来自不同分布的训练数据，以强调信息量更大的数据。大量实验表明，R2E-IG 在合成数据集和基准数据集上的分布内和分布外实例中，均取得了与最先进基线方法相竞争的性能。此外，R2E-IG 具有通用性，可以轻松集成到现有的基于深度强化学习的方法中，以进一步提高性能。
引用
@article{arxiv.2605.26776,
title = {Towards Generalization-Oriented Models for Vehicle Routing Problems with Mixture-of-Experts},
author = {Changhao Miao and Yuntian Zhang and Tongyu Wu and Fang Deng and Chen Chen},
journal= {arXiv preprint arXiv:2605.26776},
year = {2026}
}