ICMLJun, 2024

重新思考后置搜索式神经方法解决大规模旅行商问题

PDF
TL;DR针对大规模旅行推销员问题，研究了热力图引导的蒙特卡罗树搜索模型，发现机器学习方法生成的热力图的有效性存在疑问，提出了一个简单基准方法可以胜过复杂的机器学习方法；同时，热力图引导的蒙特卡罗树搜索模型在实践中表现不如 LKH-3 启发式方法；未来建议基于更具理论支撑的热力图生成方法和探索自主、具有普适性的机器学习方法解决组合问题。
发现论文，激发创造
  • 将小型预训练模型推广到任意大的 TSP 实例

    本文针对旅行商问题，通过训练一个能够根据图形采样、转化和热力图合并等技术建立任意规模的热力图的小型模型，并采用强化学习算法进行高质量解的搜索，显著提高了该模型的泛化能力和性能。该方法优于现有基于机器学习的 TSP 算法。

    Dec, 2020

  • H-TSP：层次化解决大规模旅行推销员问题

    本研究提出了一种基于层次强化学习的端到端学习框架，称为 H-TSP，用于解决大规模 TSP 问题，通过选择子集并使用深度学习模型直接生成解决方案，具有可扩展和高效性。

    Apr, 2023

  • 面向旅行商问题的图神经网络引导局部搜索

    提出了一种基于图神经网络和引导局部搜索的 TSP（旅行商问题）混合数据驱动方法，该方法能够在不损失解决方案质量的同时，快速求解大规模 TSP 实例，经实验证明，我们将 100 个节点问题集的平均最优性差从 1.534% 减少到 0.705%，将 20 个节点实例推广到 100 个节点问题集时，我们将最优性差从 18.845% 减少到 2.622%，提高了 2 倍和 7 倍。

    Oct, 2021

  • 学会解决旅行商问题要重新思考泛化

    本文提出了一种神经组合优化方法，将学习算法与模型架构相结合，以实现在训练过程中看不到的更大规模的问题的推广。通过对零样本推广的原理研究，控制实验提供了第一手数据，并提供了深度学习的新方向。

    Jun, 2020

  • 解决旅行推销员问题的无监督学习

    我们提出了 UTSP，这是一个用于解决旅行推销员问题（TSP）的无监督学习框架，使用基于图神经网络（GNN）的代理损失。该方法在参数效率和数据效率方面优于目前的数据驱动 TSP 启发式方法。

    Mar, 2023

  • 无监督学习中旅行商问题的规模和难度泛化

    探讨无监督学习在解决旅行推销员问题中的泛化能力，通过训练图神经网络并使用嵌入来构建边缘的热图，同时研究不同的训练实例大小、嵌入维度和分布对无监督学习方法结果的影响，结果表明使用较大的实例规模和增加嵌入维度可以构建更有效的表示，提高解决旅行推销员问题的能力，并发现在不同分布上进行泛化评估时，选择更困难的实例作为训练数据可以使模型具备更好的泛化能力。

    Mar, 2024

  • NeuroLKH: 结合深度学习模型与 Lin-Kernighan-Helsgaun 启发式算法求解旅行商问题

    NeuroLKH 采用深度学习和 LKH 启发式算法相结合，通过训练 Sparse Graph Network 模型来解决旅行商问题等路由问题，得出实验结果表明能够优于传统启发式算法并泛化到更大范围问题。

    Oct, 2021

  • 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

  • 提前预计以避免迟到：解决困难约束旅行推销员问题

    使用前瞻信息作为特征，提出一种利用学习方法改善具有时间窗口的 TSP 解决方案合法性的新方法，并构建了具有硬约束条件的 TSPTW 数据集进行准确评估和基准测试。通过对多种数据集进行综合实验，MUSLA 优于现有基线算法且具有一定的泛化能力。

    Mar, 2024

  • 旅行商问题的高效图卷积网络技术

    本文介绍了一种基于深度学习算法的解决平面欧几里得图中旅行商问题的方法，通过使用图卷积网络构建 TSP 图表示，并通过高度并行化的 Beam Search 非自回归方法输出巡回路径，我们在解决相同节点规模下的问题中比最近提出的自回归深度学习技术表现更好，最终平均优化差距从 50 个节点降低到 0.01％，100 个节点从 2.26％降至 1.39％，尽管相较于标准的运筹学求解器，我们的方法还有所欠缺。

    Jun, 2019