该研究论文研究了机器学习在组合优化中的应用,特别是在建模方面,提出了使用机器学习技术来提高建模的效率和精确度,包括单个约束、目标函数或整个模型的学习。
Jul, 2018
本文从最近使用机器学习来解决约束优化问题的尝试入手,重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法,以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。
Mar, 2021
本文研究基于深度学习和强化学习的旅行商问题的新模型和架构,强调机器学习在解决组合优化问题方面的限制,并提出了一种新的度量标准 ROD 以回答两个基本问题。
Sep, 2019
本文综述了近期在强化学习领域中在解决组合优化问题方面的进展,包含了 RL 框架与传统算法的比较以及各方法解决不同问题的时间线,结果表明基于 RL 的模型成为解决组合问题的方向值得期待。
Mar, 2020
介绍了解决图上组合优化问题的现有方法存在的问题,调查了与计算复杂性相关的机器学习研究的发展,并组织和比较了解决组合优化问题的学习结构。
May, 2020
本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络(GNNs)的组合优化求解方法和算法进行概述,以此向优化和机器学习研究者介绍这一领域的最新进展。
Feb, 2021
本文对神经网络在传统组合优化框架中的性能、可迁移性、计算成本和对更大样本的普适性进行了详细研究,并在 NP-hard 问题线性排序问题上开发了神经组合优化模型。
May, 2022
该研究提出了一种基于机器学习的框架来扩大组合优化算法,并使用可解释的学习模型来提供更深层次的洞见,以设计更好的启发式方法,在最大团枚举问题中展示了该框架的性能,并从中获得启示设计了一种新的启发式方法。
Jan, 2020
通过替换启发式成分,结合机器学习算法的时间特征与注意力机制,优化了组合优化求解器在变量选择方面的性能。
Nov, 2023
通过深度学习将机器学习模型与优化算法直接结合,实现决策为导向的学习,从而在解决组合优化问题时取得更好的性能和决策效果。
Sep, 2018