Cross-Problem Learning for Solving Vehicle Routing Problems

这篇论文提出了跨问题学习的方法，以协助启发式算法训练不同的车辆路径问题（VRP）变体。目前的神经启发式算法往往会针对每个具体的VRP问题从头开始训练深度结构，忽略了在不同VRP变体之间可转移的知识。本文将复杂VRP的神经架构模块化为1）用于解决旅行商问题（TSP）的主干Transformer，和2）用于处理问题特定特征的额外轻量级模块。因此，本文建议先对TSP的主干Transformer进行预训练，然后在微调Transformer模型的过程中应用它来处理每个目标VRP变体的特定特征。一方面，我们同时完全微调训练好的主干Transformer和问题特定模块；另一方面，我们仅微调适配器网络以及模块，保持主干Transformer不变。在典型VRP上的大量实验证明了：1）与从头开始训练的方法相比，全面微调方法的性能显著提高；2）适配器微调方法也能够提供可比较的性能，同时具有显著的参数效率。此外，我们还通过实验证明了我们的方法在交叉分布应用和通用性方面的优越效果。

论文旨在解决车辆路径问题（VRP）中的可迁移性问题，提出交叉问题学习来辅助不同VRP变体的启发式训练。

将神经架构模块化为Transformer骨干网络和处理特定问题特征的轻量级模块，预训练TSP的骨干Transformer，并在微调过程中应用于每个目标VRP变体的Transformer模型。

论文通过实验验证了全微调和适配器微调都比从头开始训练的方法具有更好的性能，而且适配器微调方法更加参数高效。此外，论文还展示了方法在交叉分布应用和多样性方面的优越效果。

在这个领域中，最近的相关研究包括《Attention, Learn to Solve Routing Problems!》、《Learning Heuristics for the TSP by Policy Gradient》等。