gBeam-ACO：一种贪婪且更快的 Beam-ACO 变体
神经与进化计算
2020-04-24 v1 离散数学
摘要
Beam-ACO 是对传统蚁群优化（ACO）算法的改进，其引入了修正的集束搜索，是解决旅行商问题（TSP）最有效的 ACO 算法之一。尽管在 ACO 启发式搜索过程中加入集束搜索是有效的，但它也增加了算法在每一步所做的工作量（就部分路径而言）。在这项工作中，我们引入了一种使用贪婪路径选择启发式的 Beam-ACO 贪婪变体。贪婪路径选择的利用被维持路径集束所需的探索所抵消。这种方法还有一个额外的好处，即避免了对随机数生成器的昂贵调用，并减少了算法的内部状态，使其更易于并行化。我们的实验表明，我们的贪婪 Beam-ACO（gBeam-ACO）不仅比传统 Beam-ACO 更快，在某些情况下快一个数量级，而且并不牺牲所找到解的质量，尤其是在大型 TSP 实例上。我们还发现，我们称之为 gBeam-ACO 的贪婪算法对超参数设置的依赖更小。
引用
@article{arxiv.2004.11137,
title = {gBeam-ACO: a greedy and faster variant of Beam-ACO},
author = {Jeff Hajewski and Suely Oliveira and David E. Stewart and Laura Weiler},
journal= {arXiv preprint arXiv:2004.11137},
year = {2020}
}