Bridging Synthetic and Real Routing Problems via LLM-Guided Instance Generation and Progressive Adaptation
Jianghan Zhu, Yaoxin Wu, Zhuoyi Lin, Zhengyuan Zhang, Haiyan Yin, Zhiguang Cao, Senthilnath Jayavelu, Xiaoli Li
神经组合优化(NCO)方法的最新进展显着提高了神经求解器处理合成路由实例的能力。 尽管如此,现有的神经求解器通常难以有效地从合成的、统一分配的训练数据推广到现实世界的VRP场景,包括来自TSPLib和CVRPLib的广泛认可的基准实例。 为了弥合这种概括性差距,我们介绍了进化现实实例合成(EvoReal),它利用由大型语言模型(LLM)指导的进化模块来生成以多样化和现实结构模式为特征的合成实例。 具体来说,进化模块产生合成实例,其结构属性在统计上模仿真实现实世界实例中观察到的实例。 随后,经过预先训练的NCO模型逐渐完善,首先将它们与这些结构丰富的合成分布保持一致,然后通过对实际基准实例的直接微调进一步调整。 广泛的实验评估表明,EvoReal显着提高了最先进的神经求解器的概括能力,与TSPLib(1.05%)和CVRPLib(2.71%)基准上的最佳解决方案相比,性能差距显着降低。
Recent advances in Neural Combinatorial Optimization (NCO) methods have significantly improved the capability of neural solvers to handle synthetic routing instances. Nonetheless, existing neural solvers typically struggle to generalize effectively from synthetic, uniformly-distributed training data to real-world VRP scenarios, including widely recognized benchmark instances from TSPLib and CVRPLib. To bridge this generalization gap, we present Evolutionary Realistic Instance Synthesis (EvoReal)...
