Apr, 2024

组合优化的图强化学习：调查与统一视角

PDF
TL;DR图离散结构上关于决策制定方法的综合视角，通过采用强化学习算法解决图优化问题。
graphscombinatorial optimizationreinforcement learningdecision-makinggraph structure
发现论文，激发创造
  • 组合优化的强化学习：一项调查研究

    本文综述了近期在强化学习领域中在解决组合优化问题方面的进展，包含了 RL 框架与传统算法的比较以及各方法解决不同问题的时间线，结果表明基于 RL 的模型成为解决组合问题的方向值得期待。

    Mar, 2020

  • 在图上学习组合优化问题：一份调查及其在网络中的应用

    介绍了解决图上组合优化问题的现有方法存在的问题，调查了与计算复杂性相关的机器学习研究的发展，并组织和比较了解决组合优化问题的学习结构。

    May, 2020

  • 基于图神经网络的组合优化和推理

    本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络（GNNs）的组合优化求解方法和算法进行概述，以此向优化和机器学习研究者介绍这一领域的最新进展。

    Feb, 2021

  • 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

  • 强化学习的组合探索优化

    在解决复杂优化问题方面，探索式组合优化（ECO-DQN）通过连续改进解决方案，从而有效地学习有效的启发式方法来解决图上的组合优化问题，并在最大割问题上展示了最先进的强化学习性能。

    Sep, 2019

  • 在图上学习组合优化算法

    本文介绍了结合强化学习和图嵌入的方法，使用元算法来解决 NP-hard 组合优化问题和图上的最小点集覆盖、最大割和旅行商问题等优化问题。

    Apr, 2017

  • 图形 Q-Learning 用于组合优化

    本论文提出并证明了图神经网络可以应用于解决组合优化问题，通过将优化过程视为顺序决策问题，使用 Q-Learning 训练图神经网络可以在参数和训练时间上只占一小部分的情况下接近达到最先进的启发式求解器的性能。

    Jan, 2024

  • 结合强化学习和约束编程用于组合优化

    本文介绍了一种基于深度强化学习和约束编程的混合算法，应用于复杂的组合优化问题，并在实验中成功运用于旅行商问题和投资组合优化问题，表现优于单独的深度强化学习和约束编程算法，同时也达到了与工业级求解器相竞争的水平。

    Jun, 2020

  • 基于双层优化的图强化学习用于网络控制

    本篇论文提出了一种基于增强学习和图网络的框架来处理优化问题，避免了传统基于优化方法规模不可扩展、启发式算法设计需要大量人工试错等问题，使得算法更加高效和可扩展。作者在真实控制问题中的实验进一步表明了这种方法的优越性。

    May, 2023

  • 图增强强化学习在协作问题解决中的有效小组形成

    本研究通过图论和强化学习提出一种新方法，建立一个数据集的图结构，将参与者作为代理人，学习一个优化的图结构来反映有效的群体动态，并利用聚类技术根据学习到的图划分明确的群体结构。该研究对协作工作和教育心理学领域做出贡献，为组织团队建设、课堂环境和其他需要重视群体动态的协作场景提供实际应用指导，并突显了图论和强化学习在社会和行为科学中的潜力和未来工作的经验验证。

    Mar, 2024