学习以减少通用神经路由求解器的搜索空间
人工智能
2025-05-20 v2 机器学习
神经与进化计算
摘要
构象式神经组合优化（NCO）因能够无需依赖手工规则即可求解复杂路由问题而引起日益关注。然而，现有NCO方法因计算复杂度高和未能有效捕获结构模式，在推广至大规模问题方面面临显著挑战。为此，本文提出一种新颖的基于学习的搜索空间缩减方法，能够自适应地在构象式NCO过程中每一步选择一小组有前景的候选节点。不同于依赖固定启发式的方法，我们的选择模型基于学习到的模式动态优先级排序节点，从而在保持解质量的同时显著缩小搜索空间。实验结果表明，我们的方法仅在来自均匀分布的100节点实例上训练，即可在来自均匀分布的千万节点规模的旅行商问题（TSP）和容积车辆路径问题（CVRP）实例上实现出色的泛化，亦或在来自其他分布的8万+节点实例上表现良好。
引用
@article{arxiv.2503.03137,
title = {Learning to Reduce Search Space for Generalizable Neural Routing Solver},
author = {Changliang Zhou and Xi Lin and Zhenkun Wang and Qingfu Zhang},
journal= {arXiv preprint arXiv:2503.03137},
year = {2025}
}
备注
37 pages, 7 figures