一种在尺度不均衡数据上训练的边感知图自编码器用于旅行商问题
机器学习
2024-03-05 v2
摘要
近年来，关于组合优化的机器学习技术研究显著激增。已有研究表明，在旅行商问题(TSP)上，基于学习的方法在性能与计算效率方面均优于传统启发式与数学求解器。然而，大多数基于学习的 TSP 求解器主要针对固定尺度 TSP 实例设计，且需要大量训练样本才能达到最优性能。为填补此空白，本工作提出一种数据驱动的图表示学习方法，用于求解具有不同城市数量的 TSP。具体而言，我们将 TSP 表述为链路预测任务，并提出一种边感知图自编码器(EdgeGAE)模型，该模型可通过从具有不均衡分布的多尺度样本中学习来求解 TSP。训练一个残差门控编码器以学习潜在边嵌入，随后由以边为中心的解码器以端到端方式输出链路预测。此外，我们在训练过程中引入主动采样策略，以提升模型在大规模场景下的泛化能力。为探究模型的实际适用性，我们生成了一个包含 50,000 个 TSP 实例、城市数从 50 到 500 的尺度不均衡数据集。实验结果表明，所提出的边感知图自编码器模型在求解多尺度 TSP 的最先进图学习方法中有极具竞争力的性能，显示出其在处理实际优化挑战方面的显著潜力。
引用
@article{arxiv.2310.06543,
title = {An Edge-Aware Graph Autoencoder Trained on Scale-Imbalanced Data for Traveling Salesman Problems},
author = {Shiqing Liu and Xueming Yan and Yaochu Jin},
journal= {arXiv preprint arXiv:2310.06543},
year = {2024}
}
备注
37 pages, 7 figures. Accepted by Knowledge-based Systems