持续复现与精炼：持续任务漂移下的终身学习车辆路径规划

现有神经求解器通常在固定任务集上一次性训练，或在顺序到达的若干任务上进行终身学习，且假设每个任务均有充足训练资源。然而现实场景中，问题模式常随时间持续漂移，导致大量任务依次出现，而每个任务仅能获得有限训练资源。本文研究一种新型终身学习范式，针对学习过程中持续漂移的任务，且任意时刻均无法对任一任务充分训练的情形。为此，提出“经验增强的双重回放”（DREE）框架，以提升学习效率并缓解灾难性遗忘。大量实验表明，在持续漂移设定下，DREE能有效学习新任务、保留先验知识、提升对未见任务的泛化能力，并可适配多种现有神经求解器。