RLGT：面向极限图论的强化学习框架
机器学习
2026-04-15 v2 组合数学
摘要
强化学习（RL）是机器学习的一个子领域，致力于开发能够自主学习最优决策策略的模型。在一篇最前沿的论文中，Wagner 展示了深度交叉熵 RL 方法可如何通过将其 reformulate 为组合优化问题来解决极限图论中的各种问题。此后，许多研究者对Wagner 引入的框架进行精炼和扩展，创建了专为图论设计的各种 RL 环境。此外，通过 RL 的方法解决了极限图论中的若干问题。特别是，关于图的拉普拉斯谱半径的若干不等式被推翻，某些 Ramsey 数获得了新的下界，以及对 Turán 类型极限问题的贡献，其中禁止的结构为长度为三和四的环。本文提出 Reinforcement Learning for Graph Theory（RLGT），一个系统化前述工作的新型 RL 框架，支持有向或无向图、是否包含环、以及任意数量的边颜色。该框架高效地表示图，并通过优化计算性能和简洁模块化的设计，旨在促进基于 RL 的极限图论研究的未来发展。
引用
@article{arxiv.2602.17276,
title = {RLGT: A reinforcement learning framework for extremal graph theory},
author = {Ivan Damnjanović and Uroš Milivojević and Irena Đorđević and Dragan Stevanović},
journal= {arXiv preprint arXiv:2602.17276},
year = {2026}
}