超越热力图:基于 MCTS 的 TSP 求解器中组件影响的严格评估
机器学习
2025-05-19 v2
摘要
“热力图 + 蒙特卡洛树搜索(MCTS)”范式近期已成为求解旅行商问题(TSP)的重要框架。尽管大量精力被投入通过高级学习模型提升热力图的复杂度,本文严格审查了这种侧重是否合理,批判性地评估了热力图复杂度与 MCTS 配置的相对影响。我们在不同 TSP 规模、分布和基准测试上进行的广泛实证分析揭示了两个关键发现:1) MCTS 策略的配置显著影响解的质量,突显了精细调参以实现最优结果的重要性,并使得不同热力图方法之间的有效比较成为可能。2) 基于 TSP 实例内在 近邻结构的简单无参数热力图,与经过最优调参的 MCTS 结合时,能够匹配甚至超越更复杂的学习型热力图的性能,展现出对问题规模和分布偏移的鲁棒泛化能力。为促进未来研究中严格且公平的评估,我们引入了一条用于标准化 MCTS 超参数调优的精简流水线。总体而言,这些发现挑战了热力图复杂度是性能主要决定因素的普遍假设,转而提倡在该范式内对学习与搜索组件进行均衡整合与全面评估。我们的代码可在:https://github.com/LOGO-CUHKSZ/rethink_mcts_tsp 获取。
引用
@article{arxiv.2411.09238,
title = {Beyond the Heatmap: A Rigorous Evaluation of Component Impact in MCTS-Based TSP Solvers},
author = {Xuanhao Pan and Chenguang Wang and Chaolong Ying and Ye Xue and Tianshu Yu},
journal= {arXiv preprint arXiv:2411.09238},
year = {2025}
}