面向最大公共子图问题的带新价值函数的混合学习
人工智能
2022-08-19 v1
摘要
最大公共诱导子图(MCS)是一个重要的NP难问题，具有广泛的现实应用。分支定界(BnB)是一类高效MCS算法的基础，其通过依次选择顶点进行匹配，并在发现不存在优于当前最优解的解时进行剪枝。选择待匹配顶点的方法对BnB的性能至关重要。在本文中，我们提出一种用于强化学习的新价值函数和混合选择策略，以定义一种新的顶点选择方法，并提出一种称为McSplitDAL的新的BnB算法用于MCS。大量实验表明，McSplitDAL显著改进了当前最佳的BnB算法McSplit+LL和McSplit+RL。我们还进行了实证分析以说明新价值函数和混合选择策略为何有效。
引用
@article{arxiv.2208.08620,
title = {Hybrid Learning with New Value Function for the Maximum Common Subgraph Problem},
author = {Yanli Liu and Jiming Zhao and Chu-Min Li and Hua Jiang and Kun He},
journal= {arXiv preprint arXiv:2208.08620},
year = {2022}
}