基于图神经网络与 QUBO 形式哈密顿量启发损失函数的强化学习组合优化方法
人工智能
2023-09-29 v2 机器学习
最优化与控制
摘要
二次无约束二值优化（QUBO）是一种以二值变量形式建模各类 NP 难组合优化问题的通用技术。哈密顿量函数常用于表述 QUBO 问题，在优化语境中用作目标函数。近来，PI-GNN 这一通用可扩展框架被提出，基于简单的图神经网络（GNN）架构来解决图上的组合优化（CO）问题。其新颖贡献在于一个通用的 QUBO 形式哈密顿量启发的损失函数，并用 GNN 进行优化。在本研究中，我们解决了与上述设置相关的一个关键问题，该问题尤其在较稠密图中观察到。基于强化学习的范式也已被广泛用于解决众多 CO 问题。在此我们还将 QUBO 形式的哈密顿量作为强化学习范式中的通用奖励函数的兼容性进行了公式化与实证评估，以直接在训练中把实际的节点投影状态作为奖励形式集成进来。在我们的实验中，观察到基于 RL 的设置相比 PI-GNN 算法有高达 44% 的提升。我们的实现可在 https://github.com/rizveeredwan/learning-graph-structure 找到。
引用
@article{arxiv.2308.13978,
title = {A Graph Neural Network-Based QUBO-Formulated Hamiltonian-Inspired Loss Function for Combinatorial Optimization using Reinforcement Learning},
author = {Redwan Ahmed Rizvee and Md. Mosaddek Khan},
journal= {arXiv preprint arXiv:2308.13978},
year = {2023}
}