【ICML2024】MVMoE：具有专家混合的多任务车辆路径求解器

学习解决车辆路径问题（Vehicle Routing Problems, VRPs）近来引起了广泛关注。然而，大多数神经求解器仅针对特定问题独立构建和训练，这使得它们的通用性和实用性较低。在本文中，我们旨在开发一种统一的神经求解器，能够同时应对多种VRP变体。具体而言，我们提出了一种具有专家混合（MVMoE）的多任务车辆路径求解器，该求解器在不成比例增加计算量的情况下显著增强了模型容量。我们进一步开发了一个层次化门控机制用于MVMoE，实现了实验性能与计算复杂性之间的良好权衡。实验表明，我们的方法在10种未见过的VRP变体上显著提升了零样本泛化性能，并在小样本设置和现实世界基准实例上展示了不错的结果。我们还提供了关于MoE配置在解决VRPs中的效果的广泛研究。令人惊讶的是，层次化门控能够实现更好的超出分布泛化性能。源代码可在以下地址获取：https://github.com/RoyalSkye/Routing-MVMoE.