May, 2023

神经蜜蜂群优化：公共交通网络设计案例研究

PDF
TL;DR本文介绍了将元启发式算法和神经网络求解器相结合应用于组合优化中，以运输网络设计问题为例进行了探索，通过将单次规划的神经网络策略训练和纳入到修改后的蜜蜂群优化算法中，实验结果表明，这种混合算法在现实问题实例上的性能比单独的学习策略提高了多达 20％，比原始蜜蜂群优化算法提高了多达 53％，并对修改后的算法的每个组件进行了一系列削减实验以研究其影响。
发现论文，激发创造
  • 自主运输网络设计的神经进化算法

    规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略，然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法，发现它在现实基准实例上比独立学习的策略提高了最多 20％，比普通的进化算法方法提高了最多 53％。

    Feb, 2024

  • 使用深度强化学习学习公共交通网络设计和改进的启发式方法

    利用深度强化学习和图神经网络学习低级启发式算法可有效优化公共交通网络设计，在合成和现实城市场景中均取得最佳结果并降低成本。

    Apr, 2024

  • 多目标优化在交通网络设计问题中的作用

    通过基于遗传算法的多目标和单目标方法，以及公共交通系统中自动收费数据为基础，设计一种能够动态适应城市交通变化、减少线路数量和改善乘客通勤体验的交通网络设计问题优化方案。

    Jan, 2022

  • 神经组合优化算法的泛化

    本文采用元学习技术来在多种任务中训练一个模型，以优化适应新任务的能力，从而提高两个最先进的模型的泛化能力，实验表明该方法在两个 CO 问题上都有显著改善。

    Jun, 2022

  • 具有相关信念的最优学习顺序交通网络设计算法

    本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

    May, 2023

  • 神经组合优化：领域的新玩家

    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

  • Moco: 一个可学习的元优化器用于组合优化

    Moco 是一个完全可学习的元优化器，使用基于当前搜索状态提取的特征来更新解构建过程，适应不同的计算预算，表现优于其他方法。

    Feb, 2024

  • 神经组合优化算法用于解决车辆路径问题：综述与展望

    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

  • 强化学习的神经组合优化

    本文提出了一种利用神经网络和强化学习解决组合优化问题的框架，特别关注旅行推销员问题和背包问题，证明了该方法在不需要太多工程和启发式设计的情况下在二维欧几里得图上取得接近最优结果，并且可以得到具有多达 200 个项目实例的最优解。

    Nov, 2016

  • 旅行商问题的 Transformer 网络

    本文利用强化学习和 Transformer 结构设计了用于 Traveling Salesman Problem 的新型算法，相较于以往的算法在 TSP50 和 TSP100 上有了更好的表现

    Mar, 2021