L’utilisation de l’apprentissage automatique pour la résolution de problèmes d’optimisationcombinatoire attire l’attention des communautés de la RO et de l’apprentissage automatique.Un nouveau paradigme propose par exemple de créer des solveurs à base de réseaux de neuronesprofonds entraînés sur d’immenses bases de données d’instances à l’aide de l’apprentissage parrenforcement. Ce paradigme a été testé sur le problème du voyageur de commerce (TSP) [5, 1]et les problèmes de tournées de véhicules avec contraintes de capacité (VRP) [3, 2] ; il obtientd’assez bons résultats pour des instances de petites tailles (< 100 clients).Les modèles qui épousent ce paradigme sont aujourd’hui entraînés indépendemment pour leTSP et le VRP bien que les deux problèmes soient étroitement liés : un TSP est un VRP avecun seul tour, des clients avec une demande nulle, et une capacité infinie pour le véhicule. Dansce contexte, nous conjecturons qu’un apprentissage par transfert de connaissances du domainedu TSP au domaine du VRP pourrait apporter une plus-value pour la résolution de ce dernier :réduire les temps d’entraînement et nombre d’instances requis. A notre connaissance aucuneétude similaire n’a été faite dans le cadre du TSP et du VRP. Nos expériences préliminairesmontrent qu’entraîner un réseau de neurones à résoudre le VRP en ayant préalablement étéentraîné à résoudre le TSP offre un gain significatif en termes de vitesse d’apprentissage et delongueur de tours lorsque l’on a moins d’instances.