结合强化学习与配置检查求解最大 k-plex 问题
人工智能
2019-06-07 v1
摘要
最大 k-plex 问题是一个重要的组合优化问题，应用日益广泛。由于其指数级时间复杂度，已有许多启发式方法被提出，可在合理时间内返回高质量解。然而，大多数启发式算法无记忆能力，无法利用搜索过程中的经验。受强化学习（RL）中多臂老虎机（MAB）问题的启发，我们提出一种名为 BLP 的新型扰动机制，它能在陷入局部最优时在线学习以选择良好的顶点进行扰动。据我们所知，这是首次尝试将局部搜索与 RL 结合用于最大 -plex 问题。此外，我们还提出一种名为动态阈值配置检查（DTCC）的新策略，从两方面扩展了原有的配置检查（CC）策略。基于 BLP 与 DTCC，我们开发了名为 BDCC 的局部搜索算法，并通过超启发式策略对其改进。实验结果表明，我们的算法在标准 DIMACS 与 BHOSLIB 基准上占优，并在大规模图上取得了最先进的（state-of-the-art）性能。
引用
@article{arxiv.1906.02578,
title = {Combining Reinforcement Learning and Configuration Checking for Maximum k-plex Problem},
author = {Peilin Chen and Hai Wan and Shaowei Cai and Weilin Luo and Jia Li},
journal= {arXiv preprint arXiv:1906.02578},
year = {2019}
}