合作！面向鲁棒性神经方法的路径规划问题
原文中文，约2000字，阅读约需5分钟。发表于：。本研究解决了现有神经方法在车辆路径规划问题中的鲁棒性不足的问题。我们提出了一种基于集成的协作神经框架（CNF），通过对抗训练多个模型以增强对攻击的鲁棒性，同时提高在清晰实例上的标准泛化能力。实验结果验证了CNF在多种攻击下的有效性和通用性，对基准实例也表现出色的超出分布泛化能力。
研究提出了一种集成协作神经框架（CNF），通过对抗训练提高车辆路径规划问题的鲁棒性和泛化能力。实验表明，CNF在多种攻击下表现有效。其他研究也探索了元学习、策略集成和多任务学习等方法来提升神经求解器的性能。新的评估方法Routing Arena引入了加权相对平均性能（WRAP），展示了其在不同应用中的潜力。
