Neural Combinatorial Optimization Algorithms for Solving Vehicle Routing Problems: A Comprehensive Survey with Perspectives

虽然已经进行了几项旨在解决车辆路径问题（VRP）的神经组合优化（NCO）求解器的调查，但这些现有的调查并没有涵盖最近出现的最先进的NCO求解器。更重要的是，为了提供最新的综合分类，我们根据对相关出版物和预印本的彻底审查，将所有NCO求解器分为四个不同的类别，即学习构造、学习改进、学习预测一次和学习预测多样性求解器。随后，我们提出了最先进求解器的不足之处，包括泛化能力差、无法解决大规模VRP、无法同时解决大多数VRP变体以及难以将这些NCO求解器与传统的运筹学算法进行比较。同时，我们提出了有前途和可行的方向来克服这些不足之处。此外，我们比较了强化、监督和无监督学习范式中代表性NCO求解器在小规模和大规模VRP中的性能。最后，根据提出的分类法，我们提供了一个附带网页的NCO求解器存储库。通过这项调查和实时存储库，我们希望使VRP的NCO求解器研究社区更加繁荣。

分类神经组合优化求解器并提出改进方向

将神经组合优化求解器分为四类，提出改进方向

提出了四类神经组合优化求解器，设计了实验比较不同类型求解器的性能，提供了在线仓库

最近的相关研究包括使用深度学习求解组合优化问题的论文，如《Learning to Branch》、《Neural Combinatorial Optimization with Reinforcement Learning》等