大规模动态资源分配中蒙特卡洛树搜索与数学优化的比较
最优化与控制
2014-05-22 v1 人工智能
摘要
动态资源分配 (DRA) 问题是一类重要的动态随机优化问题，出现在各种重要的现实世界应用中。由于 DRA 问题经常将随机元素与难以处理的大规模状态空间和动作空间相结合，因此 notoriously 难以求得最优解。尽管人工智能和运筹学社区分别独立提出了两种成功的动态随机优化问题求解框架——分别是蒙特卡洛树搜索 (MCTS) 和数学优化 (MO)——但这两种方法的相对优势尚未被充分理解。在本文中，我们将 MCTS 和 MO 应用于一个受战术野火管理启发的问题，并在大规模实例上对这两种方法在状态空间和动作空间方面进行了广泛的计算研究。我们表明，这两种方法都能显著改进特定的基线启发式算法。在较小规模的实例上，MCTS 和 MO 方法表现相当，但随着问题规模增大且计算预算固定，MO 方法的表现优于 MCTS。
引用
@article{arxiv.1405.5498,
title = {A Comparison of Monte Carlo Tree Search and Mathematical Optimization for Large Scale Dynamic Resource Allocation},
author = {Dimitris Bertsimas and J. Daniel Griffith and Vishal Gupta and Mykel J. Kochenderfer and Velibor V. Mišić and Robert Moss},
journal= {arXiv preprint arXiv:1405.5498},
year = {2014}
}
备注
37 pages, 13 Figures