QROSS：基于求解器代理学习的 QUBO 松弛参数优化
机器学习
2021-03-22 v1 最优化与控制
摘要
求解约束组合优化问题的一种日益流行的方法是首先将其转换为二次无约束二值优化（QUBO）问题，并使用标准 QUBO 求解器求解。然而，这种松弛引入了平衡目标项与约束惩罚项的超参数，其取值对性能有显著影响。因此，调优这些参数是一个重要问题。现有的通用超参数调优方法需要对 QUBO 求解器进行多次昂贵调用，在需要重复求解类似组合优化问题的性能关键型应用中不切实际。在本文中，我们提出 QROSS 方法，通过对一组问题实例上的求解器数据进行学习来构建 QUBO 求解器的代理模型。以此方式，我们能够捕捉实例的共性结构及其与求解器的交互，并以更少的 QUBO 求解器调用次数产生良好的惩罚参数选择。我们以旅行商问题（TSP）为案例研究，证明相比传统超参数调优技术，我们的方法能以更少的 QUBO 求解器调用找到更好的解。此外，通过简单的自适应方法，QROSS 被证明能很好地泛化到分布外数据集和不同类型的 QUBO 求解器。
引用
@article{arxiv.2103.10695,
title = {QROSS: QUBO Relaxation Parameter Optimisation via Learning Solver Surrogates},
author = {Tian Huang and Siong Thye Goh and Sabrish Gopalakrishnan and Tao Luo and Qianxiao Li and Hoong Chuin Lau},
journal= {arXiv preprint arXiv:2103.10695},
year = {2021}
}
备注
17 pages