TuneNSearch：一种用于求解车辆路径问题的混合迁移学习与局部搜索方法
机器学习
2026-02-19 v3
摘要
本文介绍了 TuneNSearch，这是一种用于解决车辆路径问题（VRP）多种变体的混合迁移学习与局部搜索方法。该方法使用强化学习生成高质量解，并通过高效的局部搜索程序进行后续优化。为确保其在车辆路径问题变体之间具有广泛的适应性，TuneNSearch 首先在多仓库车辆路径问题（MDVRP）上进行预训练，然后进行微调以适应其他问题形式。学习阶段采用基于 Transformer 的架构，并增强了带边缘感知注意力的机制，将边缘距离直接整合到注意力机制中，以更好地捕捉路径问题固有的空间关系。我们展示了预训练模型对单仓库变体具有良好的泛化能力，性能可与专门在单仓库实例上训练的模型持平。同时，它在多仓库变体上也能保持强大的性能，这是仅在单仓库问题上预训练的模型所不具备的能力。例如，在 100 节点多仓库变体实例上，TuneNSearch 相对于在 CVRP 上预训练的模型性能提升了 44%。相比之下，在 100 节点单仓库变体实例上，TuneNSearch 的表现与 CVRP 模型相似。为验证该方法的有效性，我们在公共基准和随机生成的实例上进行了大量计算实验。对于多个 CVRPLIB 数据集，TuneNSearch 始终实现的性能偏差小于 3%，而其他基于神经网络的模型则在 6-25% 之间，取决于问题的复杂程度。总体而言，本方法在不同问题规模、实例分布和车辆路径问题形式之间展现出强大的泛化能力，同时保持多项式运行时间复杂度，尽管集成了局部搜索算法。
引用
@article{arxiv.2503.12662,
title = {TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems},
author = {Arthur Corrêa and Cristóvão Silva and Liming Xu and Alexandra Brintrup and Samuel Moniz},
journal= {arXiv preprint arXiv:2503.12662},
year = {2026}
}