RELS-DQN：一种鲁棒高效的组合优化局部搜索框架
机器学习
2023-04-14 v1 人工智能
摘要
组合优化(CO)旨在高效寻找从统计物理到社交媒体营销等 NP 难问题的最优解。广泛的 CO 应用可受益于局部搜索方法，因其允许对贪婪策略进行可逆操作。使用消息传递神经网络(MPNN)的深度 Q 学习(DQN)在复现局部搜索行为并取得与局部搜索算法相当的结果方面已展现出潜力。然而，消息传递迭代中的过平滑与信息丢失限制了其在各类应用中的鲁棒性，且较大的消息向量导致内存效率低下。本文提出 RELS-DQN，一种轻量级 DQN 框架，在展现局部搜索行为的同时具备实际的可扩展性。使用在某应用上训练的 RELS-DQN 模型，可通过提供不低于局部搜索算法及现有 DQN 模型的解值泛化至多种应用，同时在运行时间与内存上保持高效。
引用
@article{arxiv.2304.06048,
title = {RELS-DQN: A Robust and Efficient Local Search Framework for Combinatorial Optimization},
author = {Yuanhang Shao and Tonmoy Dey and Nikola Vuckovic and Luke Van Popering and Alan Kuhnle},
journal= {arXiv preprint arXiv:2304.06048},
year = {2023}
}