面向神经组合优化的模拟引导集束搜索
机器学习
2022-11-18 v3 人工智能
摘要
用于组合优化（CO）的神经方法装备了一种学习机制，以发现求解复杂现实问题的强大启发式。尽管能够一次性给出高质量解的神经方法正在涌现，但最先进的方法往往无法充分利用可用的求解时间。相比之下，手工设计的启发式能进行有效搜索并充分利用所给的计算时间，但其中包含难以适应所求解数据集的启发式。为了给神经CO方法提供强大的搜索过程，我们提出模拟引导集束搜索（SGBS），其在固定宽度的树搜索中考察由神经网络学习策略与模拟（rollout）共同认定为有前景的候选解。我们进一步将SGBS与高效主动搜索（EAS）混合，其中SGBS提升了EAS中反向传播的解的质量，而EAS改善了SGBS中所用策略的质量。我们在知名CO基准上评估了我们的方法，并表明在合理的运行时间假设下SGBS显著提升了所求解的质量。
引用
@article{arxiv.2207.06190,
title = {Simulation-guided Beam Search for Neural Combinatorial Optimization},
author = {Jinho Choo and Yeong-Dae Kwon and Jihoon Kim and Jeongwoo Jae and André Hottung and Kevin Tierney and Youngjune Gwon},
journal= {arXiv preprint arXiv:2207.06190},
year = {2022}
}
备注
Accepted at NeurIPS 2022