学习插入以构建神经网络车辆路径规划求解器

于红博

摘要: 神经组合优化（NCO）是一种有前途的基于学习的方法，用于解决车辆路径问题（VRPs），而无需进行大量手工设计。现有的构造性NCO方法通常遵循一个基于追加的范式，依次将未访问的节点添加到部分解决方案中，这种刚性方法通常会导致次优结果。为了克服这一局限性，我们探索了基于插入范式的思想，并提出了Learning to Construct with Insertion-based Paradigm（L2C-Insert），这是一种新颖的构造性NCO学习方法。与传统方法不同，L2C-Insert通过在当前部分解决方案中的任何有效位置策略性地插入未访问的节点来构建解决方案，这可以显著增强灵活性和解决方案质量。该提出的框架引入了三个关键组成部分：用于精确插入位置预测的新颖模型架构，用于模型优化的高效训练方案，以及充分利用插入范式灵活性的高级推断技术。对旅行推销员问题（TSP）和容量车辆路径问题（CVRP）的合成和真实实例进行了大量实验，结果表明L2C-Insert在各种问题规模上始终取得了优越的性能。

更新时间: 2025-10-30 07:17:31

领域: cs.LG,cs.AI,cs.RO,math.OC

下载: http://arxiv.org/abs/2505.13904v3