Neues Framework LLR-BC verhindert Vergessen bei neuronalen Fahrzeugroutenplanern
Neurale Solver für Routenplanungsprobleme haben in den letzten Jahren beeindruckende Fortschritte erzielt, doch bisher wurden sie meist einmalig auf einer festen Problemverteilung trainiert. Bei Auftreten neuer Aufgaben greifen die Modelle entweder auf unzuverlässige Zero‑Shot‑Generalisation zurück oder werden feinjustiert, was häufig zu einem katastrophalen Vergessen bereits erlernter Fähigkeiten führt.
Die neue Studie führt ein lebenslanges Lernparadigma ein, bei dem ein Solver kontinuierlich mit einer Reihe unterschiedlicher Aufgaben konfrontiert wird. Das vorgestellte System, der Lifelong Learning Router with Behavior Consolidation (LLR‑BC), speichert frühere Erfahrungen und integriert sie gezielt, indem es die Entscheidungsverhalten des Modells auf neuen Aufgaben mit den bereits gespeicherten Verhaltensmustern abgleicht. Besonders stark gewichtet werden dabei Entscheidungen, bei denen das Modell unsicher ist, um kritische Erfahrungen stärker zu verankern.
Umfangreiche Tests an capacitated Vehicle Routing Problems und Traveling Salesman Problems zeigen, dass LLR‑BC nicht nur die Leistung bei neuen Aufgaben steigert, sondern gleichzeitig das Vergessen alter Aufgaben verhindert und die Plastizität des Modells erhält. Damit bietet das neue Framework einen vielversprechenden Ansatz für die Entwicklung robuster, langfristig lernfähiger Routenplaner.