基于概率学习的预算最大覆盖问题禁忌搜索
人工智能
2020-07-14 v1
摘要
背包问题是能够构建广泛应用的经典模型。在本工作中，我们处理预算最大覆盖问题（BMCP），它是广义 0-1 背包问题。给定一组具有非负权重的物品和一组具有非负利润的元素，其中每个物品由一个元素子集组成，BMCP 旨在将物品子集装入容量受限的背包中，使得所选物品的总重量不超过背包容量，并且相关联元素的总利润最大化。注意，即使某个元素被覆盖多次，也只计算一次。BMCP 与近年来被广泛研究的集合并背包问题（SUKP）密切相关。然而，作为 SUKP 的对应问题，BMCP 早在 1999 年就被提出，但此后鲜少被研究，尤其是没有提出实用的算法。通过将强化学习技术与局部搜索过程相结合，我们提出了一种基于概率学习的禁忌搜索（PLTS）算法来解决这一 NP-hard 问题。所提算法在两个不同阶段之间迭代，即禁忌搜索阶段和基于概率学习的扰动阶段。由于文献中没有提出基准实例，我们生成了 30 个具有不同属性的基准实例。实验结果表明，在求解具有挑战性的 BMCP 时，我们的 PLTS 算法在解质量方面显著优于通用 CPLEX 求解器。
引用
@article{arxiv.2007.05971,
title = {Probability Learning based Tabu Search for the Budgeted Maximum Coverage Problem},
author = {Liwen Li and Zequn Wei and Jin-Kao Hao and Kun He},
journal= {arXiv preprint arXiv:2007.05971},
year = {2020}
}