增强量子启发式组合优化算法的强化学习
机器学习
2021-03-22 v2 人工智能
机器学习
摘要
量子硬件与量子启发式算法在组合优化中正变得日益流行。然而，这些算法可能需针对每个问题实例进行细致的超参数调优。我们将强化学习智能体与量子启发式算法结合使用，以解决等价于最大割问题的伊辛能量最小化问题。该智能体通过调优其一个参数来控制算法，旨在改进近期所见的解。我们提出一种新的重缩放排序奖励(R3)方法，其实现了稳定的单人版自我博弈训练，帮助智能体逃离局部最优。通过对随机生成问题上训练的智能体应用迁移学习，可加速任意问题实例上的训练。我们的方法能以高概率采样伊辛问题的高质量解，并优于基线启发式方法与黑盒超参数优化方法。
引用
@article{arxiv.2002.04676,
title = {Reinforcement Learning Enhanced Quantum-inspired Algorithm for Combinatorial Optimization},
author = {Dmitrii Beloborodov and A. E. Ulanov and Jakob N. Foerster and Shimon Whiteson and A. I. Lvovsky},
journal= {arXiv preprint arXiv:2002.04676},
year = {2021}
}
备注
Submitted to ICML 2020. 9 pages, 3 pdf figures. V2: fixed acknowledgements