针对黑箱组合优化的生成神经退火器

我们提出了一个生成式、端到端的黑箱组合优化求解器，强调在 NP 问题上兼顾样本效率和解的质量。drawing inspiration from annealing-based algorithms，我们将黑箱目标函数视为能量函数，并训练神经网络来建模相关的 Boltzmann 分布。通过对温度进行条件化，该网络捕获了一系列分布——从高温接近均匀分布到低温严格聚焦于全局最优解的分布，从而学习能量景观的结构并促进全局优化。当查询成本较高时，温度依赖的分布自然实现数据增强，提高样本效率。当查询成本较低但问题仍难以解决时，模型学习隐式变量相互作用，有效地“打开”黑箱。我们在有限和充足查询预算下的具有挑战性的组合任务上验证了该方法，显示出对 state-of-the-art 黑箱优化器具有竞争性能。