Oct, 2023

神经组合优化与重度译码器：迈向大规模泛化

PDF
TL;DR我们提出了一种新颖的具有强大泛化能力的轻量级编码器和重型解码器模型（LEHD model），它可以解决大规模的组合优化问题，包括旅行推销员问题（TSP）和车辆路径问题（CVRP），并且能够推广到实际世界的相关问题。
neural combinatorial optimizationlight encoder and heavy decodergeneralization abilitytravelling salesman problemcapacitated vehicle routing problem
发现论文，激发创造
  • 基于实例的适应性算法用于大规模神经组合优化问题通用化

    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

  • 自我改进学习的可扩展神经组合优化

    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

  • 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

  • 神经组合优化中课程学习策略的评估

    本论文研究利用一种基于心理学的课程学习方法来提高神经网络在组合优化问题中的性能，以达到与传统的确定性求解器相当甚至更好的精度和效率。

    Nov, 2020

  • 通用车辆路径规划的提示学习

    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

  • 神经多目标组合优化增强多样性

    通过提出一种新的具有多样性增强的神经启发式方法，我们能够从多目标组合优化问题的不同视角产生更多的 Pareto 解，并在经典的多目标组合优化问题上取得了更高的多样性 Pareto 前沿和卓越的整体性能。

    Oct, 2023

  • UDC: 大规模组合优化问题的统一神经分而治之框架

    该研究论文介绍了一种统一的神经分治框架（UDC），用于解决一般的大规模组合优化问题。UDC 采用了一种分治 - 征服 - 重组（DCR）训练方法，通过采用高效的图神经网络（GNN）进行全局分治和采用固定长度子路径求解器征服子问题，实现广泛的适用性，并在 10 个代表性的大规模组合优化问题中取得了优越的性能。

    Jun, 2024

  • 使用强化学习的受限组合优化

    本文提出一个深度强化学习的框架来解决受限的组合优化问题，将受约束的组合问题定义为完全可观的受约束马尔可夫决策过程（CMDP），并提出从不满足的约束产生惩罚信号，以推断作为启发式算法的策略。通过对约束工厂和资源分配问题进行的实验表明，本文的提议对于比较经典的启发式算法、元启发式算法和约束编程（CP）求解器来说，能更快地求得答案。

    Jun, 2020

  • 多目标组合优化的高效元神经启发式算法

    我们提出了一种高效的元神经启发式方法（EMNH），通过使用基于深度强化学习的神经启发式方法来解决多目标组合优化问题，以提高学习效率和解决质量。

    Oct, 2023

  • GenCO: 利用组合性质生成多样的设计问题解决方案

    通过与嵌入式组合优化求解器集成的深度生成模型，我们提出了 GenCO 框架，旨在发现与非线性目标一致的高质量解决方案，解决了传统的生成模型和优化求解器在遵循离散 / 组合约束和惩罚偏离方面的困难，以生成多样的、高质量的解。

    Oct, 2023