Abstract

学习车辆路径问题（VRPs）的启发式方法由于减少了对手工制定规则的依赖而受到了广泛关注。然而，现有的方法通常在具有固定大小和节点分布的同一任务上进行训练和测试，因此在泛化性能上受到限制。本文研究了一个具有挑战性但现实的场景，即在VRPs中同时考虑大小和分布的泛化。我们提出了一个通用的元学习框架，它能够在推理过程中对初始化模型进行有效训练，使其能够快速适应新任务。我们进一步开发了一种简单但高效的近似方法来减少训练开销。在旅行商问题（TSP）和有容量限制的车辆路径问题（CVRP）的合成和基准实例上的广泛实验表明了我们方法的有效性。代码可在以下链接获取：https://github.com/RoyalSkye/Omni-VRP。

1 Introduction

组合优化问题（COPs）在计算机科学和运营研究中非常重要。由于NP-hard特性，精确方法因可扩展性问题而受到影响，而启发式方法则需要大量的手工制定规则和特定问题的领域专业知识。最近，利用机器学习（M