Dans cet article, nous proposons un nouveau modèle basé sur GNN, le Graph Edge Attention Network (GREAT), qui peut être appliqué aux problèmes asymétriques non euclidiens afin de surmonter les limites des approches d'optimisation combinatoire par apprentissage existantes basées sur les coordonnées euclidiennes. Nous construisons un cadre d'apprentissage par renforcement utilisant GREAT comme encodeur et l'appliquons aux variantes euclidiennes et non euclidiennes de problèmes de routage de véhicules, tels que le problème du voyageur de commerce, le problème de routage de véhicules capacitaires et le problème de course d'orientation. Il s'agit de l'une des premières tentatives pour aborder les variantes non euclidiennes de ces problèmes et obtient des résultats compétitifs par rapport aux solveurs basés sur l'apprentissage existants.
