URS：用于跨问题零样本泛化的统一神经路由求解器
机器学习
2026-05-26 v2
摘要
多任务神经路由求解器作为一种能够使用单一模型求解多种车辆路由问题（VRP）的有前景范式而出现。然而，现有的神经求解器通常依赖预定义的问题约束或需要逐问题微调，这严重限制了其对未见VRP变体的零样本泛化能力。为解决这一关键瓶颈，我们提出了URS，一个统一的神经路由求解器，通过单一模型在广泛的未见VRP上实现零样本泛化。我们提出了一种统一数据表示（UDR），用数据统一替代问题枚举，从而拓宽问题覆盖范围并减少对领域专业知识的依赖。此外，我们在编码过程中引入了一个混合偏置模块（MBM）以改进节点嵌入，高效捕获各种问题固有的多种先验信息。在UDR之上，我们开发了一个问题条件参数生成器以进一步改善零样本泛化。大量实验表明，URS在110种VRP变体（包括99种未见变体）上持续产生高质量解，并在多达7000个节点的大规模实例上展现出令人印象深刻的扩展能力。据我们所知，URS是首个通过单一模型处理超过100种VRP变体的神经求解器。我们的代码可在https://github.com/CIAM-Group/URS获取。
引用
@article{arxiv.2509.23413,
title = {URS: A Unified Neural Routing Solver for Cross-Problem Zero-Shot Generalization},
author = {Changliang Zhou and Canhong Yu and Shunyu Yao and Xi Lin and Zhenkun Wang and Yu Zhou and Qingfu Zhang},
journal= {arXiv preprint arXiv:2509.23413},
year = {2026}
}
备注
accepted by ICML 2026