基于图神经网络的端到端帕累托集合预测用于多目标设施选址问题
机器学习
2022-10-28 v1 神经与进化计算
摘要
设施选址问题（FLP）是一类典型的 NP 难组合优化问题，广泛存在于供应链和物流领域。目前已开发出许多数学和启发式算法来优化 FLP。在实际应用中，除了运输成本，通常还存在多个相互冲突的目标。因此，亟需设计能够高效找到一组帕累托解而无需巨大搜索代价的算法。本文考虑同时最小化总成本和最大化系统可靠性的多目标设施选址问题（MO-FLP）。我们开发了一种基于学习的方法，用于预测给定问题整个帕累托集合的分布概率。为此，将 MO-FLP 建模为二分图优化问题，并构建两个图神经网络来学习节点和边上的隐式图表示。网络输出随后被转换为帕累托集合的概率分布，从中可以非自回归地采样一组非支配解。在不同规模 MO-FLP 实例上的实验结果表明，所提方法在解质量上与广泛使用的多目标进化算法性能相当，同时显著降低了搜索的计算代价。
引用
@article{arxiv.2210.15220,
title = {End-to-End Pareto Set Prediction with Graph Neural Networks for Multi-objective Facility Location},
author = {Shiqing Liu and Xueming Yan and Yaochu Jin},
journal= {arXiv preprint arXiv:2210.15220},
year = {2022}
}
备注
14 pages, 3 figures