大邻域搜索融合迭代神经约束启发式方法
机器学习
2026-03-24 v1
摘要
神经网络正日益被用作约束满足问题的启发式方法。这些神经方法通常是循环式的，学习迭代细化候选赋值。在本工作中，我们明确了此类迭代神经启发式方法与大邻域搜索（LNS）之间的联系，并将现有的神经约束满足方法 ConsFormer 适配为 LNS 流程。我们将 resulting neural LNS 分解为两个标准组件：摧毁算子和修复算子。在摧毁侧，我们实例化了若干经典启发式方法，并引入新颖的预测引导算子，通过利用模型的内部分数来选择邻域。在修复侧，我们将 ConsFormer 用作神经修复算子，并比较原始的基于抽样的解码器与选择最可能赋值的贪心解码器。通过在数独、图染色和最大割问题上的实证研究，我们发现将神经启发式适配为 LNS 流程相较于其原始设置可获得显著提升，同时在与经典和神经基准方法的竞争方面也有改进。我们进一步观察到跨任务一致的设计模式：随机摧毁算子优于贪心算子，而贪心修复在寻找单个高质量可行赋值方面比基于抽样的修复更有效。这些发现突显了 LNS 作为构筑和改进迭代神经方法的有用视角和设计框架。
引用
@article{arxiv.2603.20801,
title = {Large Neighborhood Search meets Iterative Neural Constraint Heuristics},
author = {Yudong W. Xu and Wenhao Li and Scott Sanner and Elias B. Khalil},
journal= {arXiv preprint arXiv:2603.20801},
year = {2026}
}
备注
Published in the 23rd International Conference on the Integration of Constraint Programming, Artificial Intelligence, and Operations Research