Improving Generalization of Neural Vehicle Routing Problem Solvers Through the Lens of Model Architecture

神经模型在解决车辆路径问题（VRP）时产生了很有前途的结果，但通常在泛化方面表现不佳。最近为增强模型泛化性能的尝试往往会产生不必要的训练成本，或者不能直接应用于解决不同VRP变体的其他模型。为了解决这些问题，本研究采用了一种新颖的模型架构视角。具体来说，我们提出了一种即插即用的基于熵的缩放因子（ESF）和分布特定（DS）解码器，以增强大小和分布泛化性能。ESF通过调整模型的注意力权重模式，使其朝向在解决不同大小的VRP时发现的熟悉模式。DS解码器通过多个辅助轻量级解码器明确建模多个训练分布模式的VRP，扩展了模型表示空间，涵盖了更广泛的分布情景。我们在合成和广泛认可的实际基准数据集上进行了大量实验，并与七个基线模型进行了比较。结果表明，使用ESF和DS解码器可以获得更具泛化性的模型，并展示了它们解决不同VRP变体（即旅行商问题和容量VRP）的适用性。值得注意的是，我们提出的通用组件需要最小的计算资源，并可以轻松地集成到传统的泛化策略中，以进一步提升模型的泛化性能。

提高神经模型在车辆路径问题中的泛化能力

使用基于熵的缩放因子和分布特定解码器来提高模型的泛化能力

论文提出的方法在合成和真实世界数据集上都表现出了显著的效果，可以用于不同的车辆路径问题变体，且需要的计算资源很少，容易集成到常规泛化策略中。

近期的相关研究包括："Learning Combinatorial Optimization Algorithms over Graphs"和"Neural Combinatorial Optimization with Reinforcement Learning"等。