用于车辆路径问题中局部搜索与交叉的神经网络：是否可能杀鸡用牛刀？
神经与进化计算
2022-10-24 v1 机器学习
摘要
近年来，关于借助机器学习算法增强组合优化问题启发式搜索的各种方法已有广泛研究。在本研究中，我们考察了以热图形式利用图神经网络（GNNs）的预测来改进混合遗传搜索（HGS）——一种求解带容量约束车辆路径问题（CVRP）的先进算法。HGS 的交叉与局部搜索组件对寻找更优解至关重要，但这些组件本质上依赖于简单的贪心或随机选择。在这些层面引入额外知识看似直观。在超过 10,000 个问题的庞大实验活动中，我们表明在这些算法组件内利用基于节点关联度度量（热图或仅距离）的更精细策略可显著提升性能。然而，与最初预期相反，我们也观察到热图在此类用途上相较更简单的距离度量并未展现出显著优势。因此，我们遭遇了一种常见却鲜有记录的“杀鸡用牛刀”情形：GNNs 确实能改进重要优化任务的性能，但消融分析表明更简单的替代方案表现同样良好。
引用
@article{arxiv.2210.12075,
title = {Neural Networks for Local Search and Crossover in Vehicle Routing: A Possible Overkill?},
author = {Ítalo Santana and Andrea Lodi and Thibaut Vidal},
journal= {arXiv preprint arXiv:2210.12075},
year = {2022}
}