基于经验的优化：一种协同进化方法
神经与进化计算
2018-04-18 v2
摘要
本文研究基于过往求解经验改进求解器，并侧重于通过离线训练改进求解器。具体而言，讨论了离线训练方法的关键问题，并在统一框架下回顾了属于该类别但来自不同领域的研究。现有训练方法通常采用两阶段策略，其中选择训练实例和训练实例被视为两个独立的阶段。本文提出了一种新的训练方法，称为 LiangYi，可同时解决这两个问题。LiangYi 包含一个用于基于种群求解器的训练模块和一个用于更新训练实例的实例采样模块。LiangYi 背后的思想是通过训练（利用训练模块）来提升基于种群的求解器，以改善其在那些（由采样模块发现的）表现较差的实例上的性能，同时保持其在先前实例上获得的良好表现。本文还提出了 LiangYi 在旅行商问题（Travelling Salesman Problem）上的一个实例化。在包含 10000 个实例的大型测试集上的实验结果表明，LiangYi 训练出的求解器性能显著优于由其他最先进训练方法训练出的求解器。此外，对 LiangYi 行为的实验研究证实，它能够通过训练持续改进求解器。
引用
@article{arxiv.1703.09865,
title = {Experience-based Optimization: A Coevolutionary Approach},
author = {Shengcai Liu and Ke Tang and Xin Yao},
journal= {arXiv preprint arXiv:1703.09865},
year = {2018}
}