May, 2024

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

PDF
TL;DR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。
neural combinatorial optimizationlarge-scale instancesinstance-conditioned adaptation modelreinforcement learning-based training schemetraveling salesman problems
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 用于路由问题的多任务学习及问题间的零样本泛化

    该论文通过属性组合的方式，建立了一个统一模型，成功解决了车辆路径问题的不同组合情况，大幅提高了解决方案的效率并在物流应用中取得了显著的性能提升。

    Feb, 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

  • 图上组合优化的统一预训练和适应框架

    通过最大可满足性问题（Max-SAT）提出了一种统一的图上组合优化问题（CO）的预训练和适应框架，能够提取可转移和可推广的特征，以解决图上不同 CO 问题。

    Dec, 2023

  • 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

  • 超越 TSP 的神经组合优化：现有架构在图结构下表现不足

    本文研究如何将深度强化学习和图神经网络应用于无线网络中的电力和信道分配问题，研究结果表明现有结构还不能很好地识别图的结构和特征，并且对于对图产生影响的问题不太适用，但研究还是取得了一些积极进展，比如通过距离编码来增强问题的表示方法。

    Jan, 2022