Resumen: Los avances recientes en los métodos de búsqueda de vecindarios neuronales han demostrado potencial para abordar los problemas de rutas de vehículos (VRP). Sin embargo, la mayoría de los enfoques existentes se basan en representaciones de estado simplistas y fusionan información heterogénea mediante una concatenación ingenua, lo que limita su capacidad para capturar un rico contexto estructural y semántico. Para abordar estas limitaciones, proponemos GAMA, un método de búsqueda de vecindad neuronal con un modelo de atención multimodal con reconocimiento de gráficos en VRP. GAMA codifica la instancia del problema y su solución en evolución como modalidades distintas utilizando redes neuronales gráficas, y modela sus interacciones intra e intermodales a través de capas apiladas de atención propia y cruzada. Un mecanismo de fusión cerrado integra aún más las representaciones multimodales en un estado estructurado, lo que permite que la política tome decisiones de selección de operadores informadas y generalizables. Amplios experimentos realizados en varias instancias sintéticas y de referencia demuestran que el algoritmo propuesto GAMA supera significativamente las líneas de base neuronales recientes. Estudios de ablación adicionales confirman que tanto el mecanismo de atención multimodal como el diseño de fusión cerrada desempeñan un papel clave para lograr las mejoras de rendimiento observadas.
Publicado originalmente en export.arxiv.org el 11 de noviembre de 2025.
Ver fuente original
