面向神经组合优化中可行解生成的无监督扩散模型训练
人工智能
2025-02-13 v4 机器学习
最优化与控制
摘要
神经组合优化（NCO）方法的最新进展显示，其在无需专家精心设计的启发式算法的情况下，能够生成接近最优的解。然而，这些方法的高性能通常依赖于在生成候选解后，基于特定问题的人类专业知识进行搜索，这限制了它们在旅行商问题（TSP）等常见组合优化问题上的适用性。本文提出了IC/DC，一个无监督的组合优化框架，它直接从头训练一个扩散模型。我们以自监督的方式训练模型，以最小化解的成本，同时遵守特定问题的约束。IC/DC专门用于解决涉及两组不同项目的组合优化问题，并且无需特定问题的搜索过程即可生成有效解。IC/DC采用了一种新颖的架构，能够捕捉项目之间错综复杂的关系，从而在具有挑战性的组合优化场景中实现有效优化。在并行机调度问题（PMSP）和非对称旅行商问题（ATSP）上，IC/DC相对于现有的NCO方法达到了最先进的性能。
引用
@article{arxiv.2411.00003,
title = {Unsupervised Training of Diffusion Models for Feasible Solution Generation in Neural Combinatorial Optimization},
author = {Seong-Hyun Hong and Hyun-Sung Kim and Zian Jang and Deunsol Yoon and Hyungseok Song and Byung-Jun Lee},
journal= {arXiv preprint arXiv:2411.00003},
year = {2025}
}