Sym-NCO：利用对称性进行神经组合优化
机器学习
2023-01-06 v2 机器学习
摘要
基于深度强化学习（DRL）的组合优化（CO）方法（即 DRL-NCO）相较传统 CO 求解器已展现出显著优势，因为 DRL-NCO 能够学习较少依赖问题特定专家领域知识（启发式方法）与有监督标注数据（监督学习方法）的 CO 求解器。本文提出一种新颖训练方案 Sym-NCO，这是一种基于正则化项的训练方案，利用各类 CO 问题及解中普遍存在的对称性。利用旋转与反射不变性等对称性可大幅提升 DRL-NCO 的泛化能力，因其使所学求解器能利用同一 CO 问题类中共同具有的对称性。实验结果表明，我们的 Sym-NCO 在旅行商问题（TSP）、带容量约束车辆路径问题（CVRP）、 prize collecting TSP（PCTSP）与定向问题（OP）四项 CO 任务中大幅提升了 DRL-NCO 方法的性能，且未使用问题特定专家领域知识。值得注意的是，在 PCTSP 上 Sym-NCO 不仅优于现有 DRL-NCO 方法，也优于具竞争力的传统求解器迭代局部搜索（ILS），且速度快 240 倍。我们的源代码见 https://github.com/alstn12088/Sym-NCO。
引用
@article{arxiv.2205.13209,
title = {Sym-NCO: Leveraging Symmetricity for Neural Combinatorial Optimization},
author = {Minsu Kim and Junyoung Park and Jinkyoo Park},
journal= {arXiv preprint arXiv:2205.13209},
year = {2023}
}
备注
23 pages, 8 figures, NeurIPS 2022