arXiv cs.AI· Barak Itzchak Davidovitch, Eli Meirom, Ethan Fetaya, Gal Chechik·· 3 天前AI 评分27
ResizeCO：扩散路由求解器的规模泛化方法
Size Generalization for Diffusion Routing Solvers
AI 导读
ResizeCO 是一种无标签规模泛化方法，通过强化学习（适配 GRPO，以路径长度为训练信号）在大规模实例上微调小规模训练的扩散模型，并将 k-opt 建模为树搜索、用 GPU 上的 beam search 求解。
正文 · AI 翻译
摘要：路径规划问题，如旅行商问题（TSP）和带容量约束的车辆路径问题（CVRP），是 NP 难问题，且在大规模实例上求解缓慢。基于扩散的求解器可以使用最优解集合以监督方式进行训练，然后快速求解新的测试实例。然而，对于大规模实例，最优解难以找到，且扩散模型无法泛化到其训练分布之外的实例规模。在此我们描述 ResizeCO，一种无标签的规模泛化方法，它同时解决了更大实例统计特性的变化以及快速求解它们的计算挑战。它在大规模实例上使用强化学习，以适配在小实例上训练的扩散模型。具体而言，我们将 GRPO 适配到该问题，使用路径长度作为训练信号。ResizeCO 还将 k-opt 表述为树搜索，并通过 GPU 上的束搜索求解。在多达 10000 个节点的 TSP 和 CVRP 实例上的规模泛化实验中，ResizeCO 在路径质量和时间上实现了帕累托前沿，优于学习型求解器，并且在短运行时间下也优于其他求解器，树立了新的最先进水平。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17192 [cs.AI] |
| （或 arXiv:2610.17192v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17192 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Barak Itzchak Davidovitch [查看电子邮件]
[v1]
2026年10月12日星期一 17:56:25 UTC（338 KB）
来源：arXiv cs.AI · arxiv.org