Mar, 2024

自我改进学习的可扩展神经组合优化

PDF
TL;DR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。
neural combinatorial optimizationself-improved learninglarge-scale problemsscalabilityefficient model training
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

  • 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

  • 神经组合优化与重度译码器：迈向大规模泛化

    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。

    Oct, 2023

  • 组合优化的无监督学习需要元学习

    提出了一种基于元学习的训练流程，用于寻找未来遇到的问题实例的良好初始化而不是直接给出答案。该方法在各种评估设置下都取得了良好的实证性能。

    Jan, 2023

  • 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

  • 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

  • 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

  • 基于哈密顿量的量子强化学习用于神经计算组合优化

    基于 Hamiltonian 的量子强化学习（QRL）是将量子计算与神经组合优化相结合的一种方法，通过对组合优化问题的 Hamiltonian 公式建模，拥有较好的训练性能，适用于广泛的问题类别，并与 QAOA 进行了比较。

    May, 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