基于深度强化学习的自适应大邻域搜索在线控制
机器学习
2024-10-15 v3 人工智能
摘要
自适应大邻域搜索（ALNS）算法在求解组合优化问题（COPs）方面已显示出显著成功。然而，ALNS 的性能依赖于对其选择和接受参数的恰当配置，而这已知是一项复杂且耗费资源的任务。为此，我们引入一种基于深度强化学习（DRL）的方法，称为 DR-ALNS，该方法在搜索过程中选择算子、调整参数并控制接受准则。所提方法旨在基于搜索状态学习为下一次迭代配置 ALNS，从而为给定优化问题产生更有效的解。我们在一个具有随机权重和时间窗的定向问题（如 IJCAI 竞赛中所提出）上评估了所提方法。结果表明，我们的方法优于原始 ALNS、经贝叶斯优化调参的 ALNS，以及作为该竞赛获胜方法的两个最先进 DRL 方法，且以显著更少的训练观测达到此效果。此外，我们展示了所提 DR-ALNS 方法的若干良好特性：它易于适配求解不同的路由问题，其学到的策略在各种实例规模上表现一致良好，且这些策略可直接应用于不同的问题变体。
引用
@article{arxiv.2211.00759,
title = {Online Control of Adaptive Large Neighborhood Search using Deep Reinforcement Learning},
author = {Robbert Reijnen and Yingqian Zhang and Hoong Chuin Lau and Zaharah Bukhsh},
journal= {arXiv preprint arXiv:2211.00759},
year = {2024}
}