具有多样性增强的神经多目标组合优化
机器学习
2023-10-25 v1 人工智能
神经与进化计算
摘要
现有多数面向多目标组合优化（MOCO）问题的神经方法仅依赖分解，常导致各子问题解重复，从而得到有限的帕累托集。除分解外，我们提出一种具有多样性增强的神经启发式方法（NHDE），从两个角度产生更多帕累托解。一方面，为阻止不同子问题产生重复解，我们提出一种指标增强的深度强化学习方法来引导模型，并设计异质图注意力机制以捕捉实例图与帕累托前沿图之间的关系。另一方面，为挖掘各子问题邻域内的更多解，我们提出多重帕累托最优策略以采样并保留合意解。在经典 MOCO 问题上的实验结果表明，我们的 NHDE 能够生成具有更高多样性的帕累托前沿，从而取得更优的整体性能。此外，NHDE 具有通用性，可应用于不同的 MOCO 神经方法。
引用
@article{arxiv.2310.15195,
title = {Neural Multi-Objective Combinatorial Optimization with Diversity Enhancement},
author = {Jinbiao Chen and Zizhen Zhang and Zhiguang Cao and Yaoxin Wu and Yining Ma and Te Ye and Jiahai Wang},
journal= {arXiv preprint arXiv:2310.15195},
year = {2023}
}
备注
Accepted at NeurIPS 2023