基于生成式优化的背包问题求解：行业相关研究

Yelyzaveta Vodovozova; Abhishek Awasthi; Caitlin Jones; Joseph Doetsch; Karen Wintersperger; Florian Krellner; Carlos A. Riofrío

基于生成式优化的背包问题求解：行业相关研究

机器学习 2025-02-10 v1 量子物理

作者: Yelyzaveta Vodovozova , Abhishek Awasthi , Caitlin Jones , Joseph Doetsch , Karen Wintersperger , Florian Krellner , Carlos A. Riofrío

在 arXiv 上查看 ↗ PDF ↗

摘要

优化是物流、航空、制造、化工、制药和保险等多个行业中的关键任务，找到问题的最佳解决方案可导致显著的成本节省和效率提升。张量网络 (TN) 近年来在建模具有量子启发方法的经典系统方面取得了显著进展。更近期，TN 生成式增强优化 (TN-GEO) 被提出作为一种策略，通过生成式建模高效地对优化问题的某些约束条件下的有效解进行采样。此外，已显示对称张量网络 (STN) 可以编码优化问题的某些约束条件，从而有助于其解决方案过程。在本文中，我们研究了 TN-GEO 和 STN-GEO 在一个行业相关问题类——多背包问题中的应用，在该问题中，每个物品必须分配给一个可用背包。我们详细描述了实践者使用 TN- 和 STN-GEO 方法论的方案，并研究其规模行为及其对超参数的依赖。我们对 60 个不同的问题实例进行基准测试，发现 TN-GEO 和 STN-GEO 的结果质量与模拟退火类似。

关键词

张量网络生成式优化背包问题模拟退火超参数

引用

@article{arxiv.2502.04928,
  title  = {Generative-enhanced optimization for knapsack problems: an industry-relevant study},
  author = {Yelyzaveta Vodovozova and Abhishek Awasthi and Caitlin Jones and Joseph Doetsch and Karen Wintersperger and Florian Krellner and Carlos A. Riofrío},
  journal= {arXiv preprint arXiv:2502.04928},
  year   = {2025}
}

基于生成式优化的背包问题求解：行业相关研究

摘要

关键词

引用

相关论文