GeoHopNet：基于Hopfield网络的稀疏空间注意力用于动态无人机场位问题
机器学习
2025-08-12 v3
摘要
城市低空无人机经济的快速发展为无人机降落点和补给站的动态选址带来了新挑战。传统深度强化学习方法在处理大规模城市级位置问题时，尤其是在标准注意力机制下，会面临计算复杂度瓶颈。本文提出GeoHopNet，这是一种专为动态无人机场位问题设计的Hopfield增强稀疏空间注意力网络。我们方法的四项核心创新：(1)距离偏置的多头注意力机制，显式编码空间几何信息；(2)K近邻稀疏注意力，将计算复杂度从降低至；(3)一种现代Hopfield外部记忆模块；(4)记忆正则化策略。实验结果表明，GeoHopNet拓宽了可求解问题规模的边界。对于1000个节点的大规模实例，标准注意力模型运行缓慢（每实例超过3秒），而传统求解器无法求解，GeoHopNet在不到0.1秒内找到高质量解(最优间隙为0.22%)。相较于在100节点实例上最先进的ADNet基线，本方法在解质量上提升22.2%，速度提升1.8倍。
关键词
引用
@article{arxiv.2507.10638,
title = {ZClassifier: Temperature Tuning and Manifold Approximation via KL Divergence on Logit Space},
author = {Shim Soon Yong},
journal= {arXiv preprint arXiv:2507.10638},
year = {2025}
}