RouteFinder: Towards Foundation Models for Vehicle Routing Problems

车辆路径问题（VRPs）是物流、交通和供应链管理等领域具有重要现实意义的优化问题。尽管在解决单个VRP变体方面取得了最近的进展，但缺乏一种统一的方法来有效地处理各种任务，这对于实际影响至关重要。本文介绍了RouteFinder，这是一个用于开发VRPs基础模型的框架。我们的关键思想是，VRPs的基础模型应该能够通过将每个变体视为更大的VRP问题的子集来建模变体，并配备不同的属性。我们引入了一个并行化环境，可以以批处理方式同时处理任何组合的属性，并引入了一种有效的采样过程，以在每个优化步骤上训练混合问题，从而大大提高了收敛的稳健性。我们还引入了全局特征嵌入，将实例属性高效地投射到潜在空间中，并帮助模型理解不同的VRP变体。最后，我们引入了高效适配器层，这是一种简单而有效的技术，可以微调预训练的RouteFinder模型，以解决原始特征空间之外的以前未见过的属性的新变体。我们通过对24个VRP变体进行广泛的实验验证了我们的方法，展示了与最近的多任务学习模型相比具有竞争力的结果。我们在https://github.com/ai4co/routefinder上公开提供了我们的代码。

论文旨在解决Vehicle Routing Problems（VRPs）的统一建模问题，以便有效地解决各种任务，从而在物流、运输和供应链管理等领域产生实际影响。

RouteFinder是一个框架，用于开发VRP的基础模型。其关键思想是，VRP的基础模型应该能够将每个变体视为一个具有不同属性的大型VRP问题的子集来建模。

论文提出了一个并行化环境，可以以批处理方式同时处理任何组合的属性，并介绍了一种有效的采样过程，以在每个优化步骤上训练混合问题，从而大大提高了收敛的鲁棒性。此外，论文还介绍了全局特征嵌入和高效适配器层，以提高模型的性能。

最近的多任务学习模型与本文的方法进行了比较，包括MAD（Multi-Agent Diverse），MASS（Multi-Agent Sequential Sampling）和VRP-RL。