面向神经多目标组合优化的上下文感知多样性增强
机器学习
2025-01-28 v3 人工智能
摘要
多目标组合优化（MOCO）问题在各种现实应用中普遍存在。大多数现有的神经 MOCO 方法依赖于问题分解，将 MOCO 问题转化为一系列单目标组合优化（SOCO）问题，并基于单步和确定性贪心展开训练注意力模型。然而，不适当的分解和先前方法的短视行为往往会导致多样性下降。为了解决上述局限性，我们设计了一种名为 CDE 的上下文感知多样性增强算法，该算法通过自回归将神经 MOCO 问题转化为条件序列建模（节点级上下文感知），并基于超体积期望最大化建立偏好映射与奖励多样性指标之间的直接关系（解级上下文感知）。基于解级上下文感知，我们进一步提出了一种超体积残差更新策略，使 Pareto 注意力模型能够捕获 Pareto 集/前沿的局部和非局部信息。所提出的 CDE 能够有效且高效地掌握上下文信息，从而增强多样性。在三个经典 MOCO 问题上的实验结果表明，我们的 CDE 优于几种最先进的基线方法。
引用
@article{arxiv.2405.08604,
title = {Context-aware Diversity Enhancement for Neural Multi-Objective Combinatorial Optimization},
author = {Yongfan Lu and Zixiang Di and Bingdong Li and Shengcai Liu and Hong Qian and Peng Yang and Ke Tang and Aimin Zhou},
journal= {arXiv preprint arXiv:2405.08604},
year = {2025}
}