Aprendizado Inter-Problemas para Resolver Problemas de Roteamento de Veículos

Heurísticas neurais existentes frequentemente treinam uma arquitetura profunda do zero para cada problema específico de roteamento de veículos (VRP), ignorando o conhecimento transferível entre diferentes variantes de VRP. Este artigo propõe o aprendizado inter-problemas para auxiliar o treinamento de heurísticas para diferentes variantes de VRP. Em particular, modularizamos arquiteturas neurais para VRPs complexos em 1) o Transformer de backbone para abordar o problema do caixeiro viajante (TSP), e 2) módulos leves adicionais para processar características específicas do problema em VRPs complexos. Assim, propomos pré-treinar o Transformer de backbone para TSP e, em seguida, aplicá-lo no processo de ajuste fino dos modelos Transformer para cada variante de VRP alvo. Por um lado, ajustamos completamente o Transformer de backbone treinado e os módulos específicos do problema simultaneamente. Por outro lado, ajustamos apenas pequenas redes adaptadoras junto com os módulos, mantendo o Transformer de backbone inalterado. Experimentos extensivos em VRPs típicos confirmam que 1) o ajuste fino completo alcança desempenho significativamente melhor do que aquele treinado do zero, e 2) o ajuste fino baseado em adaptador também oferece desempenho comparável enquanto sendo notavelmente eficiente em parâmetros. Além disso, demonstramos empiricamente o efeito favorável de nosso método em termos de aplicação de distribuição cruzada e versatilidade.