神经 TSP 求解器的无监督训练
机器学习
2022-07-28 v1
摘要
用于近似求解旅行商问题的机器学习方法日益增多。然而，这些方法通常需要已求解的实例用于训练，或使用复杂的强化学习方法，需要大量调参。为避免这些问题，我们引入了一种新颖的无监督学习方法。我们利用 TSP 整数线性规划的一种松弛来构造不需要正确实例标签的损失函数。通过变量离散化，其最小值与最优或近最优解一致。此外，该损失函数可微，因此可直接用于训练神经网络。我们将该损失函数与图神经网络结合，并在欧氏和非对称 TSP 上设计了对照实验。我们的方法相对于监督学习的优势在于不需要大型标注数据集。此外，对于非对称 TSP，我们的方法性能超越强化学习；对于欧氏实例，性能与强化学习相当。我们的方法也比强化学习更稳定、更易训练。
引用
@article{arxiv.2207.13667,
title = {Unsupervised Training for Neural TSP Solver},
author = {Elīza Gaile and Andis Draguns and Emīls Ozoliņš and Kārlis Freivalds},
journal= {arXiv preprint arXiv:2207.13667},
year = {2022}
}