- 博客(230)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 0-一种用于AGV路径规划的RRT-ACO算法（未完）
自动导引车（AGV）智能停车为解决城市停车难题提供了新方案。在AGV停车场中，AGV运行路径的合理性直接影响整个停车场的运输效率。RRT算法和蚁群算法能够为AGV实现良好的路径规划效果。然而，初始信息素均匀分布的使用容易导致算法初期的盲目搜索和局部优化，从而降低AGV的效率。本文提出了一种基于快速扩展随机树-蚁群算法（RRT∗−ACORRT^*-ACORRT∗−ACO）的AGV路径规划方法。该方法结合了RRT∗RRT^*RRT∗。
2025-04-03 13:15:45
39
原创 0-组合优化图神经网络的退火机器辅助学习（arxiv 25）(完)
尽管退火机（AM）在解决复杂组合优化问题方面展现出了越来越强的能力，成为未来全量子解决方案预期进展的一个更直接的替代方案，但它仍然存在可扩展性的限制。与此同时，图神经网络（GNN）最近已被应用于解决组合优化问题，并且由于其分布式特性，展现出了具有竞争力的结果和潜在的高可扩展性。我们提出了一种融合方法，旨在保留退火机的准确性和图神经网络的表示灵活性及可扩展性。
2025-03-21 17:01:08
75
原创 1-BQ-NCO：用于高效神经组合优化的互模拟商(NeurlPS23)(code)（完）
尽管基于神经网络的组合优化方法在端到端启发式学习方面取得了成功，但分布外泛化仍然是一个挑战。在本文中，我们提出了一种组合优化问题（COPs）的新表述方法，将其作为马尔可夫决策过程（MDPs），有效利用了COPs的常见对称性来提高分布外的鲁棒性。从构造方法的直接MDP表述出发，我们引入了一种基于MDPs中互模拟商（BQ）的通用方法来减少状态空间。然后，对于具有递归特性的COPs，我们专门化了这种互模拟，并展示了如何利用减少后的状态来利用这些问题的对称性，从而促进MDP求解。
2025-03-04 11:57:39
28
原创 1-基于强化学习的图Transformer算法求解车辆路径问题(2023)（完）
车辆路径问题（VRP）是经典的组合优化问题之一，需要在一些约束条件下，以最小的总成本访问客户。最近，VRP通过使用深度强化学习（DRL）来解决，将节点集视为图结构。现有的基于Transformer的DRL解仅依赖于节点信息，忽略了图中节点之间边的信息在图结构中的作用。在本文中，我们提出了一种基于注意力的端到端DRL模型来解决VRP，该模型嵌入了节点之间的边信息，以进行丰富的图表示学习。我们使用了带有嵌入边信息多头注意力（EEMHA）层的基于Transformer的编码器-解码器框架。
2025-02-26 17:03:45
76
原创 0-学习旅行商问题需要重新思考泛化(2022)
最近，针对图组合优化问题（如旅行商问题TSP）的神经网络求解器的端到端训练受到了极大的关注，但在节点数量超过几百的图上仍然难以处理且效率低下。尽管在非常小规模的图上训练的最新学习驱动方法在性能上接近经典的求解器，但它们无法将学到的策略推广到更大规模的实际实例上。本文提出了一个端到端的神经组合优化流程，该流程统一了几篇最近的论文，以识别出促进推广到比训练中看到的更大的实例的归纳偏差、模型架构和学习算法。
2025-02-24 17:21:11
27
原创 图注意力，学习旅行商问题的2-opt算法(2025)
近年来，深度图神经网络（GNN）被作为旅行商问题（TSP）的求解器或辅助功能使用，但通常作为编码器生成静态节点表示供下游任务使用，无法获取完全更新解时的动态排列信息。为了解决这个问题，我们提出了一种基于排列编码的图注意力编码器和基于注意力的解码器（PEG2A）模型，用于TSP，并通过优势演员-评论员算法进行训练。在这项工作中，排列编码图注意力（PEGAT）网络被设计用来编码节点嵌入，以便同时从邻居节点收集信息并获取动态图排列信息。基于注意力的解码器旨在计算在进行2-opt操作时选择节点对的概率分布。
2025-02-17 21:47:24
92
原创 1-G-DGANet：带强化学习的门控深度图注意力网络解决旅行商问题(未完)(ncode)(24)
组合优化问题（COP）是一个NP-hard问题，寻找最优解非常困难，尤其是随着问题规模的增大。旅行商问题（TSP）是可以在图上表述的COP之一，在运筹学和计算机科学领域得到了广泛研究。深度强化学习（DRL）现在被认为是解决TSP和其他NP-hard问题的一种有前景的方法。在本文中，我们提出了一种新颖的Gated Deep Graph Attention Network（G-DGANet），它在现有的图神经网络（GNN）基础上用于解决TSP。
2025-01-07 12:48:00
53
原创 0-基于蚁群优化和带注意力机制的循环神经网络的新型混合算法用于解决旅行商问题(HAL science)(完)
在这篇论文中，我们提出了一种用于解决对称旅行商问题的混合方法。该方法将蚁群算法（ACO）与基于注意力机制的循环神经网络（RNN）相结合。其核心思想是利用循环神经网络的预测能力来指导蚂蚁选择下一个要访问的城市，并使用这些预测结果来更新信息素矩阵，从而提高所获得解的质量。具体来说，通过注意力机制同时考虑距离和信息素信息，将注意力集中在最有希望的城市上，这使得可以根据每个城市的相关性为其分配权重。然后，这些权重用于预测每个城市接下来要访问的城镇。
2025-01-05 14:08:51
293
原创 0-旅行商问题的双启发式蚁群算法(未完)
启发式计算智能技术在组合优化问题中得到了广泛应用，特别是在大规模配置中。生物启发式的算法，如粒子群优化（PSO）、火蚁算法（FA）或花粉传播算法（FPA）展示了它们解决这类问题的能力。双启发式优化包括使用一对技术和合作机制。本文回顾了使用双启发式解决旅行商问题（TSP）的主要贡献，并提出了一种基于FPA、蚁群优化（ACO）与局部搜索（Ls）的新混合方案，即由花粉传播局部搜索指导的蚂蚁，称为ASFPA-Ls；以及社会和认知PSO对由PSO局部搜索指导的蚂蚁的影响，分别为ASPSO-Ls。
2025-01-01 20:06:39
99
原创 0-FAN：傅立叶分析网络(未完)
尽管神经网络取得了显著的成功，特别是由MLP（多层感知机）和Transformer代表的网络，我们发现它们在对周期性的建模和推理方面存在潜在缺陷，即它们在训练域内表现出令人满意的性能，但在域外（OOD，Out of Domain）泛化方面却表现挣扎。根本原因在于它们倾向于记忆周期性数据，而不是真正理解周期性的原理。实际上，周期性对于各种推理和泛化形式至关重要，它通过观察中反复出现的模式，支撑着自然和工程系统中的可预测性。
2025-01-01 16:51:47
139
原创 1-指针网络（NIPS15）
我们介绍了一种新的神经网络架构，用于学习输出序列的条件概率，其中输出序列的元素是与输入序列中的位置相对应的离散标记。这类问题不能通过现有的方法如序列到序列[1]和神经图灵机[2]轻易解决，因为在输出的每一步中目标类别的数量取决于输入的长度，而输入长度是可变的。诸如排序可变大小序列和各种组合优化问题都属于这一类。我们的模型使用最近提出的神经注意力机制解决了输出字典大小可变的问题。
2024-12-31 16:51:13
83
原创 0-ReEvo：具有反思进化的大型语言模型作为超启发式（arXiv 2024）(code)
NP-hard组合优化问题（COPs）的普遍性迫使领域专家进行试错式的启发式设计。随着大型语言模型（LLMs）的兴起，设计自动化的长期努力获得了新的动力。本文介绍了语言超启发式（LHHs），这是一种新兴的超启发式变体，它利用LLMs进行启发式生成，特点是人工干预最少，启发式空间开放。为了增强LHHs，我们提出了反思进化（ReEvo），这是一种新颖的整合进化搜索的方法，用于高效探索启发式空间，并通过LLM反思提供空间内的口头梯度。
2024-12-21 20:46:02
239
原创 0-局部搜索 GFlowNets(ICLR 2024)(未完)(code)
生成流网络（Generative Flow Networks，简称 GFlowNets）是一种学习离散对象分布的摊销采样方法，其分布与奖励成正比。GFlowNets 在生成多样化样本方面表现出色，但由于在宽广的样本空间中过度探索，偶尔难以稳定地产生高奖励的样本。本文提出通过局部搜索训练 GFlowNets，专注于利用高奖励样本空间来解决这一问题。我们的主要思路是通过回溯和重构探索局部邻域，这分别由后向和前向策略引导。
2024-12-19 14:40:25
70
原创 1-通过深度强化学习学习旅行商问题的2-opt启发式算法(ACML 2020)(完)（code）
最近使用深度学习解决旅行商问题（TSP）的研究集中在学习构造启发式算法上。这些方法找到了质量不错的TSP解，但需要额外的程序，如束搜索和采样，以改进解并实现最先进的性能。然而，很少有研究关注改进启发式算法，即通过不断改进给定解直至接近最优解。在本项工作中，我们提出通过深度强化学习来学习基于2-opt操作器的局部搜索启发式算法。我们提出了一种策略梯度算法来学习一个随机策略，该策略在给定当前解时选择2-opt操作。
2024-11-20 08:58:22
116
原创 图的最大键的计算(2019)(未完)
图G的一个键（bond）是G的一个包含最小断开集，即键是确定G的割集SV∖SSV∖S，使得GS和GV∖SG[S]和G[V\setminus S]GS和GV∖S都是连通的。给定st∈VGGst∈VGG的一个st−键st-键st−键是移除后会断开s和ts和ts和t的键。与大量关于最大割的研究相比，关于一般图的最大键的研究结果非常少。在本文中，我们旨在减少在计算最大键和最大st-键的复杂性方面的这一差距。
2024-11-18 13:12:27
55
原创 1-Equity-Transformer：求解NP-Hard Min-Max路由问题的顺序生成算法（AAAI-24)(完)（code）
最小最大路由问题旨在通过智能体合作完成任务来最小化多个智能体中最长行程的长度。这些问题包括对现实世界有重大影响的应用场景，但已知属于NP-hard问题。现有方法在大规模问题上面临挑战，尤其是在需要协调大量智能体以覆盖数千个城市的情况下。本文提出了Equity-Transformer来解决大规模最小最大路由问题。首先，我们采用顺序规划方法来处理最小最大路由问题，使我们能够利用强大的序列生成器（例如，Transformer）。其次，我们提出了关键的归纳偏差，以确保智能体之间的公平工作量分配。
2024-11-12 12:29:51
301
原创 0-基于图的组合优化算法学习（NeurIPS 2017）(未完)
为NP-hard组合优化问题设计好的启发式或近似算法通常需要大量的专业知识和试错。我们能否自动化这个具有挑战性、乏味的过程，而不是学习算法呢？在许多实际应用中，通常是相同的优化问题一次又一次地被解决，保持相同的问题结构，但数据不同。这为学习利用这些重复问题结构的启发式算法提供了机会。在本文中，我们提出了一种独特的结合强化学习和图嵌入的方法来解决这一挑战。学习到的贪婪策略表现得像一个元算法，它逐步构建解，行动由捕捉当前解状态的图嵌入网络的输出决定。
2024-11-06 22:03:20
147
原创 1-Erdős’ GNN: 图的无监督式学习组合优化框架(NeurIPS 2020)(完)
组合优化（CO）问题对于神经网络来说是一个出了名的挑战，特别是在缺乏标记实例的情况下。本工作提出了一个用于图上的CO问题的无监督学习框架，能够提供质量有保证的整数解。我们的框架受Erdős概率方法的启发，使用神经网络来参数化集合上的概率分布。关键地，我们展示了当网络针对一个合适选择的损失函数进行优化时，所学习的分布将以可控的概率包含一个低成本的整数解，该解遵守组合问题的约束。然后，我们将存在性的概率证明去随机化，以解码所需的解。我们证明了这种方法在获得最大团问题的有效解以及执行局部图聚类方面的有效性。
2024-11-01 14:40:44
203
原创 1-无监督学习求解旅行商问题(NeurIPS 2023)(未完)
我们提出了 UTSP，一种用于解决旅行商问题 (TSP) 的无监督学习 (UL) 框架。我们使用替代损失来训练图神经网络（GNN）。GNN 输出一个热图，表示每条边成为最佳路径一部分的概率。然后，我们应用本地搜索来根据热图生成最终预测。我们的损失函数由两部分组成：一部分推动模型寻找最短路径，另一部分充当路径应形成哈密顿环的约束的替代。实验结果表明，UTSP 优于现有的数据驱动的 TSP 启发法。
2024-10-31 21:12:00
126
原创 1-重新思考后处理的基于搜索的神经方法在解决大规模旅行商问题中的应用(arXiv 2024)（完）
最近在解决大规模旅行商问题（TSP）方面的进展采用了热图引导的蒙特卡洛树搜索（MCTS）范式，其中机器学习（ML）模型生成热图，指示每个边作为最优解一部分的概率分布，以指导MCTS寻找解。然而，我们的理论和实验分析对基于ML的热图生成的有效性提出了质疑。为此，我们证明了一个简单的基线方法可以在热图生成中胜过复杂的ML方法。此外，我们对热图引导的MCTS范式的实践价值提出了质疑。为此，我们的发现显示了它与LKH-3启发式方法相比的劣势，尽管该范式依赖于特定问题的手工策略。
2024-10-31 12:06:16
134
原创 1-基于GFlowNets的蚁群抽样算法在组合优化中的应用(arXiv 2024)(完)(code)
本文介绍了一种神经引导的概率搜索算法——生成流蚁群采样器（GFACS），用于解决组合优化（CO）问题。GFACS将生成流网络（GFlowNets）这一新兴的摊销推理方法与蚁群优化（ACO）这一有前景的概率搜索算法相结合。具体而言，我们利用GFlowNets在组合空间中学习构造策略，以增强ACO，通过提供基于输入图实例的决策变量的知情先验分布。此外，我们提出了一种新颖的离轨策略训练算法，通过利用局部搜索和共享能量归一化，将条件GFlowNets扩展到大规模组合空间。
2024-10-29 16:47:20
165
原创 一种提高TSP求解器泛化能力的对策论方法（ICLR 2022）(完)
在本文中，我们介绍了一个两玩家零和框架，介于一个可训练的求解器（Solver）和一个数据生成器（Data Generator）之间，以提高基于深度学习的旅行商问题（TSP）求解器的泛化能力。我们的两玩家框架基于策略空间响应Oracle（PSRO）方法，输出一系列最佳响应求解器，我们可以混合这些求解器，输出一个综合模型，该模型在对抗生成器时实现最小的可利用性，从而在不同的TSP任务上实现最泛化的绩效。我们在不同类型和规模的各种TSP实例上进行实验。
2024-10-28 20:56:43
143
原创 一阶元学习算法研究（arXiv 2018）(未完)
本文考虑了元学习问题，其中存在任务的分布，我们希望获得一个在面对从该分布中抽取的未见过的任务时表现良好（即，学习速度快）的智能体。我们分析了一系列算法，这些算法通过使用一阶导数来快速微调新任务上的参数初始化。这个家族包括并推广了一阶MAML（FOMAML），这是通过忽略二阶导数获得的MAML的一个近似。它还包括了我们在本文中引入的新算法Reptile，它通过重复采样任务、在该任务上训练并将初始化向训练后的权重移动来工作。
2024-10-28 14:50:12
77
原创 基于图神经网络的组合优化与推理（JML 2023）（未完）
组合优化是运筹学和计算机科学中一项成熟的研究领域。迄今为止，其方法主要集中于单独解决问题实例，而忽略了这些问题在实际中往往源自相关的数据分布。然而，近年来，利用机器学习，尤其是图神经网络（GNN），已成为解决组合优化任务的关键手段，既可以直接作为求解器使用，也可以辅助精确求解器。GNN的归纳偏置能有效地编码组合和关系输入，得益于其对置换的不变性以及对输入稀疏性的敏感性。本文对该新兴领域的最新关键进展进行了概念性回顾，旨在为优化和机器学习研究者提供指导。
2024-10-26 21:51:17
219
原创 1-COMBHELPER：一种减少图组合问题搜索空间的神经方法（AAAI-2024）(完)（code）
图上的组合优化（CO）问题在多种应用中频繁出现，如交通优化、社交网络中的病毒式营销和工作分配匹配。由于其组合特性，这些优化问题往往是NP难的。现有的近似算法和启发式方法在寻找解决方案时依赖于搜索空间，并且当搜索空间规模较大时，会变得非常耗时。在本文中，我们设计了一种名为COMBHELPER的神经网络方法，用于缩减搜索空间，以此提高基于节点选择的传统CO算法的效率。具体来说，COMBHELPER利用图神经网络（GNN）来识别可能包含在解决方案集中的有希望的节点。
2024-10-23 18:35:50
88
原创 DIMES：组合优化问题的可微Meta求解器（NeurIPS-2022）（未完）
最近，深度强化学习（DRL）模型在解决NP难度的组合优化（CO）问题上显示出了良好的效果。然而，大多数DRL求解器仅能扩展到几百个节点的图形组合优化问题，例如旅行商问题（TSP）。本文通过提出一种新方法，即DIMES，来解决大规模组合优化的可扩展性挑战。与以往受限于代价高昂的自回归解码或离散解的迭代优化的DRL方法不同，DIMES引入了一个紧凑的连续空间，用于参数化候选解的底层分布。这样的连续空间允许通过大规模并行采样进行稳定的基于REINFORCE的训练和微调。
2024-10-23 16:56:23
78
原创 0-基于潜空间搜索的策略自适应组合优化（NeurIPS2023）（完）
组合优化是许多现实应用的基础，但设计高效算法以解决这些复杂的、通常是NP难度的问题仍然是一个重要的研究挑战。强化学习（RL）提供了一个灵活的框架，可以在广泛的问题领域中设计启发式算法。然而，尽管取得了显著进展，强化学习尚未取代工业求解器作为首选解决方案。目前的方法强调预训练启发式构建解，但往往依赖于方差有限的搜索过程，例如从单一策略随机采样多个解或在个别问题实例上进行计算开销大的微调。
2024-10-23 16:31:57
106
原创 最大独立集：通过动态规划进行自训练(2023)
本项工作提出了一个受动态规划启发的图神经网络（GNN）框架，用于解决最大独立集（MIS）问题。具体来说，给定一个图，我们提出了一个基于GNN的递归算法，该算法类似于动态规划，首先构建两个更小的子图，预测其中具有较大MIS的子图，并在下一次递归调用中使用这个子图。为了训练我们的算法，我们需要标注不同图关于它们MIS大小的比较。通过使用算法的输出来标注这些比较，我们实现了一个自训练过程，这使得比较的自我标注更加准确，反之亦然。我们提供的数值证据表明，我们的方法在多个合成和现实世界的数据集上优于之前的方法。
2024-10-20 15:07:23
111
原创 1-POMO：强化学习的多个最优策略优化(NeurIPS 2020)（完）
在神经组合优化（CO）中，强化学习（RL）可以将深度神经网络转变为解决NP-hard问题的快速、强大的启发式求解器。这种方法在实际应用中具有很大的潜力，因为它允许在没有专家指导和大量领域知识的情况下找到接近最优解。我们介绍了一种名为POMO（Policy Optimization with Multiple Optima）的端到端方法，用于构建这样的启发式求解器。POMO适用于广泛的CO问题。它旨在利用CO解决方案表示中的对称性。
2024-10-16 20:09:16
449
原创 用柔性神经k-Opt学习搜索路径问题的可行和不可行区域(未完,先看前驱文章L2S)
介绍了一种名为 Neural k-Opt（NeuOpt）的新型学习搜索（L2S）求解器，用于解决路径问题。它学习执行基于定制的动作分解方法和定制的循环双流（Recurrent Dual-Stream）解码器的灵活 k-opt 交换。作为一项开创性的工作，我们绕过了纯可行性掩码方案，实现了对可行和不可行区域的自主探索，我们提出了一种名为 Guided Infeasible Region Exploration（GIRE）的方案。
2024-10-16 11:59:37
150
原创 1-面向车辆路线问题的泛化神经方法（ICLR 2023）（完）
学习车辆路径问题（VRPs）的启发式方法由于减少了对手工制定规则的依赖而受到了广泛关注。然而，现有的方法通常在具有固定大小和节点分布的同一任务上进行训练和测试，因此在泛化性能上受到限制。本文研究了一个具有挑战性但现实的场景，即在VRPs中同时考虑大小和分布的泛化。我们提出了一个通用的元学习框架，它能够在推理过程中对初始化模型进行有效训练，使其能够快速适应新任务。我们进一步开发了一种简单但高效的近似方法来减少训练开销。
2024-10-11 19:46:35
152
原创 注意，学会解决路由问题！(未完)
最近提出的为组合优化问题学习启发式方法的想法很有前景，因为它可以节省昂贵的开发成本。然而，要将这一想法推向实际应用，我们需要更好的模型和更好的训练方法。我们在这两个方向都做出了贡献：我们提出了一种基于注意力层的模型，它比Pointer Network有更好的优势，并且我们展示了如何使用REINFORCE算法和基于确定性贪婪策略的简单基线来训练这个模型，我们发现这比使用价值函数更有效。我们在旅行商问题（TSP）上显著提高了最近学习的启发式方法，对于多达100个节点的问题，我们得到了接近最优结果。
2024-10-09 13:59:47
162
原创 1-Sym-NCO：利用对称性进行神经组合优化((NeurIPS 2022) (完)
深度强化学习（DRL）基础的组合优化（CO）方法（即DRL-NCO）与传统的CO求解器相比具有显著优势，因为DRL-NCO能够学习较少依赖于特定问题的专家领域知识（启发式方法）和监督标记数据（监督学习方法）。本文提出了一种新的训练方案Sym-NCO，它是一种基于正则化的训练方案，利用各种CO问题和解决方案中的普遍对称性。利用诸如旋转和反射不变性等对称性可以显著提高DRL-NCO的泛化能力，因为它允许学习到的求解器利用同一CO问题类别中共同的对称性。
2024-10-08 20:56:55
393
原创 基于BERT的深度强化学习求解图上的组合优化问题(未完)
组合优化，如图上的车辆路径和旅行商问题，是NP-hard问题，几十年来一直被研究。已经提出了许多方法来解决这些问题，包括但不限于精确算法、近似算法、启发式算法和解决方案求解器。然而，这些方法无法学习问题的内部结构，也无法推广到类似或更大规模的问题。最近，深度强化学习已被应用于组合优化并取得了令人信服的结果。尽管如此，有效整合和训练改进的挑战依然存在。
2024-10-08 15:41:33
587
原创 1-构造性神经组合优化的学习编码需要反悔(AAAI 24)(完)
深度强化学习的神经组合优化中，学习构造性启发式（LCH）通过快速的自回归解构建过程实现高质量的解决方案。然而，这些基于LCH的方法在收敛性方面存在不足，与最优解仍存在性能差距。直观地说，在构建过程中学习对某些步骤反悔有助于提高训练效率和网络表示。本文提出了基于反悔的新颖机制，用于改进构建过程。该方法可以作为插件用于任何现有基于LCH的DRL-NCO方法。
2024-09-26 16:17:36
135
原创 无监督神经组合优化的扩散模型框架
从离散集合的不可处理分布中进行采样，而不依赖相应的训练数据，是多个领域的核心问题，包括组合优化。目前，流行的基于深度学习的方法主要依赖于能够提供精确样本概率的生成模型。本文提出了一种方法，打破了这种限制，并为使用诸如扩散模型等高度表达力的潜变量模型开辟了可能性。我们的方法从概念上基于一种上界反向Kullback-Leibler散度的损失函数，从而避免了对精确样本概率的需求。
2024-09-20 18:42:19
934
原创 0-通过解预测和机器学习促进蚁群优化(未完)
ML - ACO 算法的第一阶段，使用一组已知最优解的小定向越野问题实例训练一个 ML 模型。具体来说，使用分类模型根据问题特定的特征和统计度量来判断一条边是否属于最优路线。然后，训练后的模型用于预测测试问题实例中图中一条边属于最优路线的 “概率”。在第二阶段，我们将 ML 模型预测的概率值纳入 ACO 算法中，即使用概率值作为启发式权重或用于初始化信息素矩阵。这样做的目的是使 ACO 的采样偏向于那些预测更有可能属于最优路线的边，从而有望提高 ACO 找到高质量路线的效率。
2024-09-16 21:06:28
1245
原创 1-DeepACO：用于组合优化的神经增强蚂蚁系统(NeuralPS 2024) (完)
提出了 DeepACO，这是一个利用深度强化学习来自动化启发式设计的通用框架。DeepACO 旨在加强现有 ACO 算法的启发式措施，并在未来的 ACO 应用中免除繁琐的手动设计。作为一种神经增强元启发式算法，DeepACO 在使用单个神经模型和一组超参数的 8 个 COP 上始终优于其 ACO 同行。作为一种神经组合优化方法，DeepACO 在规范路由问题上的表现优于或与特定问题的方法相当。
2024-09-11 10:09:59
1085
原创 基于图神经网络的最大独立集问题的目标分支
分支归约方法结合了分支约束原则和归约规则，在处理以前无法管理的现实世界实例方面特别成功。分支策略决定下一个要在哪个顶点上进行分支。最近，最广泛使用的策略是选择最高度的顶点。在这项工作中，我们提出了一个图神经网络的方法来选择下一个分支顶点。当前分支定界求解器的复杂性质使得监督和强化学习变得困难。因此，我们使用基于种群的遗传算法来进化模型的参数。我们所提出的方法的结果在73%的基准测试实例的平均加速比为24%。
2024-09-09 21:46:22
912
原创 0-求解组合优化问题的具有递归特征的无监督图神经网络(arXiv 2024)(未完)
介绍了一种名为QRF-GNN的新型算法，有效解决具有二次无约束二进制优化（QUBO）表述的组合问题。依赖无监督学习，从最小化的QUBO放松导出的损失函数。该架构的关键组成部分是中间GNN预测的递归使用、并行卷积层以及将人工节点特征作为输入的组合。
2024-08-31 21:32:50
916
计算机组成原理期末课程设计-无符号数阶乘
2025-01-01
数据结构课程设计-任务调度器.rar
2023-01-09
报告+代码(C语言)+编译原理实验三-中间代码生成器.rar
2022-10-29
编译原理期末考试试题与答案
2022-07-08
logisim-数电期末实验设计.circ
2021-01-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人