用同伦循环神经网络近似元启发式算法
机器学习
2017-09-08 v1 离散数学
机器学习
摘要
许多组合优化问题构成了非多项式 (NP) 难优化问题，即它们无法在多项式时间内求解。此类问题之一是在图上寻找两个节点之间的最短路径。元启发式算法（如 ）以及混合整数规划 (MIP) 方法常用于解决这些问题。我们的工作表明，可以使用深度循环神经网络来近似由元启发式算法生成的解。我们比较了基于强化学习 (RL) 和循环神经网络 (RNN) 的不同方法，以评估它们各自的近似质量。我们展示了循环神经网络解在拥有超过 300 个节点的图上的可行性，并论证了序列到序列 (sequence-to-sequence) 网络相较于其他循环网络具有更好的近似质量。此外，我们论证了同伦延拓（增加击中极值的机会）进一步改善了普通 RNN 生成的估计值。
引用
@article{arxiv.1709.02194,
title = {Approximating meta-heuristics with homotopic recurrent neural networks},
author = {Alessandro Bay and Biswa Sengupta},
journal= {arXiv preprint arXiv:1709.02194},
year = {2017}
}