DIMES:一种用于组合优化问题的可微元求解器
机器学习
2022-10-26 v2 人工智能
最优化与控制
摘要
近年来,深度强化学习(DRL)模型在求解NP难组合优化(CO)问题中展现出良好前景。然而,大多数DRL求解器仅能处理图上组合优化问题(如旅行商问题(TSP))中数百个节点规模。本文通过提出一种新方法DIMES来解决大规模组合优化的可扩展性挑战。与以往因自回归解码或离散解迭代细化成本高昂而受限的DRL方法不同,DIMES引入了一种紧凑连续空间来参数化候选解的基础分布。该连续空间允许基于稳定REINFORCE的训练与通过大规模并行采样进行微调。我们进一步提出一种元学习框架,以在微调阶段实现模型参数的有效初始化。大量实验表明,DIMES在旅行商问题与最大独立集问题的大规模基准数据集上优于近期基于DRL的方法。
引用
@article{arxiv.2210.04123,
title = {DIMES: A Differentiable Meta Solver for Combinatorial Optimization Problems},
author = {Ruizhong Qiu and Zhiqing Sun and Yiming Yang},
journal= {arXiv preprint arXiv:2210.04123},
year = {2022}
}
备注
Accepted at NeurIPS 2022