局部最优关联辅助自适应算子选择
本文介绍一种基于多臂赌博和 Lipschitz 优化的多次启动策略,持续估计每个算法实例的潜在性能,并动态地向有可能收敛于最优解的实例分配资源,实验证明该方法在实践中表现良好,并且需要的目标函数评估次数只是理论上建议的平方增加的对数增加。
Jan, 2014
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
针对实际的车辆路径问题,研究了最大权独立集问题,通过开发一个新的本地搜索算法,该算法使用了先前文献中未描述的更广泛的简单局部搜索运算和数据结构,引入了路径重新链接的新变体来避免局部最优解以及一种新的交替增广路径局部搜索移动来提高算法性能。
Mar, 2022
本文提出了一种基于深度强化学习算法的算子选择方法,旨在提高Adaptive Large Neighborhood Search(ALNS)算法的解题质量,实证结果表明,与基于机器学习的算法相比,所述方法训练次数更少,对小型问题与大型问题都能有效提高问题解决效率。
Nov, 2022
提出了一种自我改进学习(Self-Improved Learning, SIL)方法,用于提高神经组合优化(neural combinatorial optimization, NCO)的可扩展性,包括有效的模型训练和解决大规模问题实例的线性复杂度注意机制。在旅行推销员问题(Travelling Salesman Problem, TSP)和容量车辆路径问题(Capacitated Vehicle Routing Problem, CVRP)上进行的全面实验证明了该方法的出色可扩展性。
Mar, 2024
大规模神经组合优化模型的实例条件适应模型(ICAM)和基于强化学习的训练方案可在不同规模下解决旅行商问题(TSP)并实现最佳性能。
May, 2024
本文探讨了神经组合优化中高效的提示学习方法,以便将预训练模型快速适应解决来自不同分布的路径问题实例。实验表明,该方法不仅在分布内预测上表现良好,还能零样本泛化到多样的新任务,胜过现有的广义模型。
May, 2024
基于对相关出版物和预印本的全面审查,我们将所有神经组合优化求解器分为四个不同的类别,并提出了克服当前最先进求解器不足之处的有希望和可行的方向,并对来自强化、监督和无监督学习范例的代表性神经组合优化求解器在小规模和大规模车辆路径问题上的性能进行了比较。
Jun, 2024
本研究解决了传统元启发式方法中动态算子管理不足的问题。通过基于强化学习的支持,提出了一个灵活的框架,自动选择适合的搜索算子,消除了对专家输入的需求。在置换流车间调度问题中的应用结果表明,该框架在最优性差距和收敛速度方面优于现有的先进算法。
Aug, 2024