关于经典求解器与神经网络路由求解器的分布相关性能

神经 combinatorics 优化旨在通过数据驱动的方法解决一类组合问题，尤其是通过学习问题实例的底层分布来应用神经网络。尽管神经方法迄今为止难以超越高度工程化的特定问题元启发式方法，但本工作探索了一种新的方法，通过规范化问题实例的分布以供学习，更重要的是，在抽样的問題实例中植入结构。在路由问题的应用中，我们生成大型问题实例，表示自定义基本问题实例分布，其中从中抽样训练实例。用于评估的方法在该新任务上的测试实例由来自底层大型问题实例的不可见问题抽样而来。我们对代表性的 NCO 方法和专门的运营研究元启发式方法进行评估，并演示了当学习来自固定基本节点分布抽样的子样本时，神经路由求解器与高度专业化的元启发式方法之间的性能差距减小。