神经求解器破局之路：硬约束下的路径优化新范式
在物流调度、芯片布线乃至城市交通规划中，路由问题无处不在。近年来，基于神经网络的求解器因其在速度上的显著优势，逐渐成为替代传统运筹学方法的有力竞争者。尤其在无约束或软约束条件下，神经模型能够在毫秒级时间内生成近似最优解，展现出强大的工程潜力。然而，当问题引入诸如时间窗、容量限制或路径依赖等硬约束时，现有神经求解器的表现却大打折扣。
硬约束：神经求解器的阿喀琉斯之踵
硬约束的存在意味着任何违反规则的解都不可接受，这与传统优化中允许逐步逼近可行域的策略截然不同。当前主流方法多依赖“可行性掩码”或“隐式可行性感知”机制，前者通过过滤非法动作来保证输出合规，但容易导致搜索空间坍缩，陷入局部最优；后者则试图让模型在训练中“学会”规避违规，但缺乏显式引导，面对复杂约束时泛化能力有限。更棘手的是，许多混合方法虽引入构造-搜索两阶段策略，却仍需数千步迭代才能收敛，效率优势荡然无存。
Construct-and-Refine：从构造到精炼的范式跃迁
CaR框架的核心创新在于将“构造”与“精炼”解耦并协同优化。其构造模块不再追求一次性生成完美解，而是专注于产出多样性高、结构优良的可行候选解。这一设计哲学的转变至关重要——它承认神经模型在精确优化上的局限，转而发挥其在模式识别与快速生成上的长处。随后，一个轻量级精炼模块仅需约10步即可对候选解进行微调，远低于此前动辄数千步的搜索过程。这种“粗中有细”的策略，既保留了神经方法的速度优势，又通过显式可行性学习确保了最终输出的合规性。
更深层的技术突破在于构造-优化共享表征的引入。传统方法中，构造与优化阶段通常使用独立编码器，导致知识难以互通。CaR通过统一编码器架构，使两个阶段共享底层特征表示。这不仅减少了模型参数量，更重要的是实现了跨范式的知识迁移。例如，在车辆路径问题中，构造阶段学到的客户聚类特征可直接辅助精炼阶段的局部搜索，形成正向反馈循环。
效率与质量的再平衡
在多个标准测试集上的实验结果表明，CaR在可行性、解质量和计算效率三个维度均取得显著提升。尤其在带时间窗的车辆路径问题（VRPTW）和容量受限的配送网络设计中，其可行解比例接近100%，平均目标函数值优于经典启发式算法，且运行时间仅为传统神经求解器的十分之一。这一表现揭示了神经求解器在硬约束场景下的真实潜力——不是取代传统方法，而是提供一种互补的高效工具。
值得注意的是，CaR的成功并非单纯依赖模型结构创新，更源于对问题本质的重新理解：硬约束不应被视为障碍，而应作为引导模型学习的结构化信号。通过将约束条件显式编码入训练目标，模型得以在早期阶段就建立对可行域的直观认知，从而避免后期大量无效搜索。
通向实用化的下一站
尽管成果令人鼓舞，神经求解器距离大规模工业部署仍有距离。当前CaR主要验证于中等规模实例，超大规模网络下的扩展性尚待检验。此外，如何动态适应约束变化、处理不确定性输入，仍是开放挑战。但不可否认的是，CaR为神经求解器开辟了一条新路径——不再盲目追求端到端黑箱优化，而是拥抱模块化、可解释、与经典方法协同的设计理念。
未来，随着更多领域特定约束的融入，以及强化学习与图神经网络的进一步融合，神经求解器有望从“快速近似”走向“可靠决策”。而CaR所示范的“构造-精炼”范式，或许将成为这一演进过程中的标准模板。