立场：重新思考求解大规模旅行商问题的后验搜索神经方法
人工智能
2024-06-07 v1 机器学习
摘要
最近解决大规模旅行商问题(TSP)的进展利用了热力图引导的蒙特卡洛树搜索(MCTS)范式，其中机器学习(ML)模型生成热力图（指示每条边属于最优解的概率分布）以指导MCTS寻找解。然而，我们的理论和实验分析对基于ML的热力图生成的有效性提出了质疑。为支持这一点，我们证明一个简单的基线方法在热力图生成上可以胜过复杂的ML方法。此外，我们质疑热力图引导MCTS范式的实际价值。为证实这一点，我们的发现表明，尽管该范式依赖于问题特定的手工策略，但其性能不如LKH-3启发式算法。对于未来，我们建议研究方向集中在开发更理论可靠的热力图生成方法，以及探索自主、可泛化的ML方法用于组合问题。代码可查阅：https://github.com/xyfffff/rethink_mcts_for_tsp。
引用
@article{arxiv.2406.03503,
title = {Position: Rethinking Post-Hoc Search-Based Neural Approaches for Solving Large-Scale Traveling Salesman Problems},
author = {Yifan Xia and Xianliang Yang and Zichuan Liu and Zhihao Liu and Lei Song and Jiang Bian},
journal= {arXiv preprint arXiv:2406.03503},
year = {2024}
}
备注
Accepted by International Conference on Machine Learning (ICML 2024)