Resumen: Los solucionadores neuronales han logrado avances impresionantes al abordar problemas de enrutamiento simples, sobresaliendo particularmente en eficiencia computacional. Sin embargo, sus ventajas bajo restricciones complejas siguen siendo incipientes, por lo que los esquemas actuales de manejo de restricciones a través del enmascaramiento de factibilidad o el conocimiento implícito de la factibilidad pueden ser ineficientes o inaplicables para restricciones duras. En este artículo, presentamos Construct-and-Refine (CaR), el primer marco general y eficiente de manejo de restricciones para solucionadores de enrutamiento neuronal basado en el refinamiento de viabilidad basado en el aprendizaje explícito. A diferencia de los híbridos de construcción-búsqueda anteriores que tienen como objetivo reducir las brechas de optimización a través de grandes mejoras pero aún luchan con restricciones estrictas, CaR logra un manejo eficiente de las restricciones mediante el diseño de un marco de capacitación conjunto que guía el módulo de construcción para generar soluciones diversas y de alta calidad adecuadas para un proceso de mejora liviano, por ejemplo, 10 pasos versus 5 mil pasos en el trabajo anterior. Además, CaR presenta el primer uso de representación compartida de mejora de construcción, lo que permite compartir conocimientos potenciales entre paradigmas al unificar el codificador, especialmente en escenarios restringidos más complejos. Evaluamos CaR según las limitaciones típicas del enrutamiento estricto para mostrar su aplicabilidad más amplia. Los resultados demuestran que CaR logra una viabilidad, calidad de solución y eficiencia superiores en comparación con los solucionadores clásicos y neuronales de última generación.
Publicado originalmente en export.arxiv.org el 18 de febrero de 2026.
Ver fuente original
