车辆即提示：面向异构车队路径问题的统一深度强化学习框架
机器学习
2026-04-08 v1
摘要
不同于传统的均质路径问题，异构车队路径问题（HFVRP）涉及异构的固定成本、可变行驶成本和容量约束，使得解质量高度依赖于车辆选择。此外，实际物流应用常常施加额外的复杂约束，显著增加计算复杂度。然而，大多数现有的深度强化学习（DRL）方法局限于均质场景，导致在应用于HFVRP及其复杂变体时表现次优。为弥合这一差距，我们考察了HFVRP在复杂约束下的情形，构建了一个能够跨越各种变体设置求解该问题的统一DRL框架。我们引入车辆即提示（Vehicle-as-Prompt, VaP）机制，将问题表述为单阶段自回归决策过程。基于此，我们提出VaP-CSMV框架，特别具备cross-semantic编码器和multi-view解码器，有效处理各种问题变体并捕获车辆异构性与客户节点属性之间复杂的映射关系。广泛的实验结果表明，VaP-CSMV显著优于现有基于DRL的神经求解器，实现了与传统启发式求解器相当的解质量，同时将推理时间缩短至仅几秒。此外，框架在大规模及以前未出现的变体问题上展现出强大的零样本泛化能力，而消融研究则验证了每个组件的关键贡献。
引用
@article{arxiv.2604.05195,
title = {Vehicle-as-Prompt: A Unified Deep Reinforcement Learning Framework for Heterogeneous Fleet Vehicle Routing Problem},
author = {Shihong Huang and Shengjie Wang and Lei Gao and Hong Ma and Zhanluo Zhang and Feng Zhang and Weihua Zhou},
journal= {arXiv preprint arXiv:2604.05195},
year = {2026}
}