NeuroLKH：结合深度学习模型与Lin-Kernighan-Helsgaun启发式算法求解旅行商问题
人工智能
2021-10-18 v1 机器学习
摘要
我们提出NeuroLKH，一种将深度学习与强大的传统启发式算法Lin-Kernighan-Helsgaun（LKH）相结合的新算法，用于求解旅行商问题。具体而言，我们训练一个稀疏图网络（SGN），通过监督学习预测边分数，并通过无监督学习预测节点惩罚，这两者对提升LKH的性能至关重要。基于SGN的输出，NeuroLKH创建边候选集并变换边距离，以引导LKH的搜索过程。大量实验有力证明，通过在广泛的问题规模上训练一个模型，NeuroLKH显著优于LKH，并能很好地泛化到更大规模。此外，我们还展示NeuroLKH可应用于其他路径规划问题，如带容量约束的车辆路径问题（CVRP）、取送货问题（PDP）以及带时间窗的CVRP（CVRPTW）。
引用
@article{arxiv.2110.07983,
title = {NeuroLKH: Combining Deep Learning Model with Lin-Kernighan-Helsgaun Heuristic for Solving the Traveling Salesman Problem},
author = {Liang Xin and Wen Song and Zhiguang Cao and Jie Zhang},
journal= {arXiv preprint arXiv:2110.07983},
year = {2021}
}
备注
Accepted at NeurIPS 2021