在图中学习剪枝斯坦纳树问题的实例

Aug, 2022

在图中学习剪枝斯坦纳树问题的实例

Learning to Prune Instances of Steiner Tree Problem in Graphs

Jiwei Zhang, Deepak Ajwani

TL;DR本文使用基于机器学习的学习剪枝框架来解决史泰纳树问题，结果显示该框架可在商业整数线性规划求解器所需时间的一小部分时间内计算出近乎最优的解决方案，进一步证明了学习剪枝框架在解决各种组合优化问题方面的潜力。

Abstract

We consider the steiner tree problem on graphs where we are given a set of nodes and the goal is to find a tree sub-graph of minimum weight that contains all nodes in the given set, potentially including additional nodes. This is a classical NP-hard combinatorial optimisation problem.

steiner tree problem combintorial optimization learning-to-prune machine learning ilp solvers

发现论文，激发创造

利用图神经网络协助蒙特卡罗树搜索实现近乎最优斯坦纳树

本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法，该方法在许多不同类型的图上反复优于标准的 2 逼近算法，通常找到最优解。

Apr, 2023

最短路径与最小斯坦纳树间的查询决策回归

对于一个具有未知权重的图，如果我们知道一些节点子集关联的最小 Steiner 树，那么我们能否找到一对节点的最短路径？本文研究了这样一个原型问题，称为具有任务转换的查询 - 决策回归，重点关注最短路径问题和最小 Steiner 树问题。我们提供了关于构建评分模型的可实现假设空间设计的理论洞察，并提出了两个有原则的学习框架。我们的实验研究显示，这样的问题可以在统计显著性的程度上得到较好的解决。

Feb, 2024

高维多目标路径规划的取样和剪枝：信息斯坦纳树

本文提出了一种新的方法，在高维空间中交替在选择的区域中采样点并减弱不能导致多目标路径查找问题的良好解决方案的区域。实验结果证明该方法在解决问题质量和计算速度方面优于一般均匀采样方法。

May, 2022

在线斯坦纳树学习增强算法

本文考虑了将机器学习与在线算法设计相结合的新型 “超越最坏情况” 算法分析模型在在线 Steiner 树问题上的应用，其中预测的终端节点可能不正确，算法性能取决于错误预测的数量，可以通过正确预测来突破在线下界并且具有良好的竞争比，同时实验证明该理论具有预测性。

Dec, 2021

学习修剪：加速重复计算

该研究提出了一种能够学习最大程度地修剪搜索空间的算法，从而在解决多次相似的计算问题时，能够大幅减少运行时间并保证准确解决问题。

Apr, 2019

学习分支

使用机器学习确定任何一组划分程序的最佳加权，并通过实验证明，学习如何分叉在实践中非常有益，可以显著减小树的规模。

Mar, 2018

图卷积网络与引导树搜索的组合优化

文章提出一种基于深度学习和启发式算法的图卷积网络方法，用于解决某些 NP 困难问题，并在四个 NP 困难问题和五个数据集上进行了评估，结果表明该方法在某些 NP 困难问题上已经达到了高度优化的最新启发式算法的水平，并具有较强的泛化性和扩展性。

Oct, 2018

深度学习在组合优化树搜索中的问题

本研究提出了一个开源基准套件，对最大独立集问题进行了深入分析，结果表明现有的机器学习算法未能学习最优解的结构，算法技术仍是获得有效解决方案的关键。

Jan, 2022

线性时间内学习在实际图中求解组合优化问题

本文介绍一种使用强化学习训练图神经网络求解单人游戏定义的图组合优化问题的新框架，可以处理最小生成树、最短路径、旅行商问题和车辆路径问题等一系列问题，该方法可在线性运行时间内输出近似解，并且能够推广到多种情况，包括 NP 困难的问题和真实世界的图。

Jun, 2020

组合优化中的细粒度搜索空间剪枝和启发式学习

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