- 目标:通用组合优化智能学习器
GOAL 是一种通用模型,基于机器学习启发式算法,能够高效地解决多种复杂组合优化问题,并且具有强大的迁移学习能力。
- 图上最大覆盖问题的深度强化学习方法对比研究
这篇论文通过全面的基准研究,调查了五种最近的深度强化学习方法在最大覆盖问题和影响最大化问题中的有效性和效率,并发现在最大覆盖问题中,Lazy Greedy 算法一直优于所有深度强化学习方法,而在影响最大化问题中,IMM 和 OPIM 算法在 - 基于图神经网络的组合优化统一框架
基于图神经网络 (GNNs) 的统一框架,解决组合优化问题 (COPs),包括 COPs 的图表示、非图结构 COPs 转换为图结构 COPs 的等效转换、图分解和图简化,利用 GNNs 有效捕获关系信息和提取 COPs 图表示的特征,为 - 自动图神经网络的组合优化
近年来,图神经网络(GNNs)在解决 NP-hard 组合优化问题方面变得越来越流行。本文提出了一种名为 AutoGNP 的新型自动化 GNNs 类别,用于解决 NP-hard 问题,并通过图神经网络搜索算法自动查找给定 NP-hard 组 - 网络封锁的神经方法
通过将网络干扰问题表示为混合整数线性规划(MILP)实例,然后应用具有充分表征能力的多部分 GNN 来学习这些公式,我们的方法在两个不同任务中表现出优于理论基准模型和传统精确解算器的性能优势。
- 大领域优先搜索策略在组合优化与答案集编程中的应用
我们提出了大邻域优先搜索(LNPS)用于解决回答集程序设计中的组合优化问题。LNPS 是一种元启发式方法,通过交替破坏和优先搜索当前解来寻找更好的解决方案。我们基于 ASP 实现了 LNPS,并通过 heulingo 求解器的实验证明了 L - 旅行推销员问题的测试时间增强
通过测试时间增强(TTA)作为一种有效的技术,我们提出了解决组合优化问题,包括旅行推销员问题。与学习图结构的已提出的具有不变性特性的深度学习模型不同,我们将节点索引的排列解释为一种 TTA 方案。结果表明,我们的方法能够获得比最新模型更短的 - ACL大型语言模型利用形式验证工具进行严谨旅行规划
提出了一种以大型语言模型为基础的交互规划框架,利用可满足性模理论和 SMT 求解器解决复杂组合优化问题,并在旅行规划领域取得高成功率。
- 转化再探索:一种简单有效的强化学习探索组合优化技术
我们通过应用简单但有效的量规变换(GT)技术,探索了在测试中不断改进解决方案的强化学习(RL)模型,詮釋了在复杂的组合优化问题中构建更有效模型的方法。
- 通过热传导实现高效的组合优化
使用热扩散来解决组合优化问题,在全球最优搜索中提供更高效的导航,展示了在组合优化方面的卓越性能以及在推进组合优化中的潜在作用。
- 基于深度展开的马尔可夫链蒙特卡洛梯度下降的收敛加速
该研究提出了一种可训练的基于采样的求解器用于组合优化问题,使用一种称为深展开的深度学习技术。该求解器基于 Ohzeki 方法,结合了马尔可夫链蒙特卡洛(MCMC)和梯度下降,并通过最小化损失函数来训练其步长。在训练过程中,我们提出了一种基于 - 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。
- 基于注意力的强化学习在组合优化中的应用:作业车间调度问题
我们提出了一种基于注意力机制的强化学习方法来解决作业车间调度问题,通过将策略梯度强化学习与改进的 Transformer 架构相结合,我们的方法在解决大规模问题上表现优于最近的研究和广泛采用的启发式规则。
- 自旋态局部性与强迫移动优化的表征
基于 Ising 公式的组合优化问题中存在局部极小值,本文提出了一种基于特定硬件的算法,通过使用当前状态的局部特征来高效地跳出局部极小值,以求得更好的结果。数值实验证明了该特征和算法的有效性。
- 排列进化算子的调查与分析
对组合优化问题的演化操作符与排列进行了调查和分析,使用了开源 Java 库 Chips-n-Salsa 实现并在人工适应度景观上进行了实证分析。
- 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。
- 图神经网络是否最优逼近算法?
我们设计了图神经网络架构,利用半定规划的强大算法工具,来获得一类组合优化问题的最优逼近算法。通过研究,我们证明了多项式大小的消息传递算法可以表示 Max Constraint Satisfaction Problems 的最强多项式时间算法 - 遗传工程算法(GEA):一种高效的元启发式算法用于解决组合优化问题
提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法(GEA),通过重新设计传统遗传算法并引入新的搜索方法,以基于已有基因的选择来孤立、提纯、插入和表达新基因,从而产生具有所选基因的特定染色体,旨在解决遗传算法中的限制问题。与现有算 - DeepACO:神经增强的蚁群优化系统用于组合优化
DeepACO 是一个利用深度强化学习来自动化启发式设计的通用框架,用于加强现有 ACO 算法的启发式措施并在未来 ACO 应用中省去繁琐的手动设计。作为一个神经增强元启发式方法,DeepACO 在八个组合优化问题上使用单个神经模型和一组超 - 子通用可变电路在组合优化问题中的应用
用两位随机矩阵构建的一类新型的经典概率电路,通过数值研究在解决各种增长规模的图上的最大割问题方面,提出的变分电路比量子近似优化算法表现出更好的性能。