图神经网络引导的局部搜索求解旅行商问题
机器学习
2022-04-06 v3 机器学习
摘要
旅行商问题（TSP）的解在交通、物流和自动化等过程中有实际应用，但必须以最小延迟计算以满足底层任务的实时性。然而，在不牺牲解质量的前提下快速求解大规模 TSP 实例对当前的近似算法仍具挑战。为弥补这一差距，我们提出一种基于图神经网络（GNN）和引导式局部搜索（GLS）的求解 TSP 的混合数据驱动方法。我们的模型预测问题图每条边被包含在解中的后悔值；GLS 将这些预测与原始问题图结合来寻找解。我们的实验表明，该方法比三种近期基于学习的 TSP 方法以更快的速率收敛到最优解。值得注意的是，我们将 100 节点问题集上的平均最优性间隙从 1.534% 降至 0.705%，实现了 2 倍提升。当从 20 节点实例泛化到 100 节点问题集时，我们将最优性间隙从 18.845% 降至 2.622%，实现了 7 倍提升。
引用
@article{arxiv.2110.05291,
title = {Graph Neural Network Guided Local Search for the Traveling Salesperson Problem},
author = {Benjamin Hudson and Qingbiao Li and Matthew Malencia and Amanda Prorok},
journal= {arXiv preprint arXiv:2110.05291},
year = {2022}
}