传统的神经网络求解器在车辆路径问题（VRP）上往往只能产生有限的解的多样性，这促使研究者转向基于生成流网络（GFlowNet）的模型。GFlowNet 的核心思想是通过在解空间中构建流来实现概率分布的学习，但在高奖励区域的流扩展往往不足，导致难以将概率充分分配到有前景的路径上。
扩散模型在探索结构上提供了更强的指引：它们通过噪声注入和去噪过程能够在更广阔的搜索空间中进行系统性探索。GFlowNet 与扩散模型天然互补——GFlowNet 能为扩散提供边级的信号，而扩散则可以引导更宏观的探索。
基于此思路，我们提出了 Diffusion-Enhanced GFlowNet（DEG） 框架。DEG 首先利用 GFlowNet 的多样性生成每条边的逆向信号，然后按照扩散模型的随机噪声调度对这些信号进行扰动，随后在 GFlowNet 的范式下进行去噪恢复。通过这种方式，流能够在高奖励区域得到更丰富的扩展，从而得到质量更高的路径解。
为了提升对不同规模问题的适应能力，DEG 还设计了一种专用解码器，能够根据实例规模动态调整内部结构，保持计算效率。
在合成数据集和真实业务数据集上进行的大规模实验表明，DEG 在节点数高达 10,000 的实例上仍能稳定超越现有基线方法，展示了显著的性能提升。
点评：DEG 将 GFlowNet 的局部多样性与扩散模型的全局探索相结合，提供了一条在大规模 VRP 场景下实现高质量解的可行路径。未来可进一步探索噪声调度的自适应机制以及与其他强化学习策略的融合。