面向多目标组合优化的高效元神经启发式
机器学习
2023-10-25 v1 人工智能
摘要
近来，基于深度强化学习的神经启发式在求解多目标组合优化问题（MOCOPs）中展现出潜力。然而，其在学习效率和解质量上仍面临挑战。为解决该问题，我们提出一种高效元神经启发式（EMNH），其中先训练一个元模型，再通过少量步数微调以求解相应的单目标子问题。具体而言，训练过程中利用（部分）架构共享的多任务模型实现元模型的并行学习，从而加速训练；同时，设计一种关于权重向量的缩放对称采样方法以稳定训练。微调过程中，提出一种高效分层方法系统性地处理所有子问题。在多目标旅行商问题（MOTSP）、多目标带容量车辆路径问题（MOCVRP）和多目标背包问题（MOKP）上的实验结果表明，EMNH 在解质量与学习效率上均优于最先进的神经启发式，并在消耗远短时间的同时，相较强传统启发式给出具有竞争力的解。
引用
@article{arxiv.2310.15196,
title = {Efficient Meta Neural Heuristic for Multi-Objective Combinatorial Optimization},
author = {Jinbiao Chen and Jiahai Wang and Zizhen Zhang and Zhiguang Cao and Te Ye and Siyuan Chen},
journal= {arXiv preprint arXiv:2310.15196},
year = {2023}
}
备注
Accepted at NeurIPS 2023