动态部分移除：一种用于大邻域搜索的神经网络启发式方法
神经与进化计算
2020-05-20 v1 人工智能
摘要
本文提出了一种新颖的神经网络设计，用于学习大邻域搜索（Large Neighborhood Search, LNS）的启发式方法。LNS 由破坏算子和修复算子组成，规定了解决组合优化问题的邻域搜索执行方式。本文提出的方法应用层次化循环图卷积网络（Hierarchical Recurrent Graph Convolutional Network, HRGCN）作为 LNS 启发式方法，即动态部分移除（Dynamic Partial Removal），其优势在于自适应破坏、在大规模上搜索的潜力，以及在空间和时间视角上的上下文感知。该模型被推广为一种针对不同组合优化问题的高效启发式方法，特别是针对约束相对紧密的问题。本文将该模型应用于车辆路径问题（Vehicle Routing Problem, VRP）作为示例。实验结果表明，该方法在同一问题上也优于传统的 LNS 启发式方法。源代码可在 \href{https://github.com/water-mirror/DPR}{https://github.com/water-mirror/DPR} 获取。
引用
@article{arxiv.2005.09330,
title = {Dynamic Partial Removal: A Neural Network Heuristic for Large Neighborhood Search},
author = {Mingxiang Chen and Lei Gao and Qichang Chen and Zhixin Liu},
journal= {arXiv preprint arXiv:2005.09330},
year = {2020}
}