论文阅读——Combinatorial Optimization by Graph Pointer Networks and Hierarchical Reinforcement Learning

最新推荐文章于 2022-12-03 18:45:57 发布

CMTSA

最新推荐文章于 2022-12-03 18:45:57 发布

阅读量901

点赞数 2

分类专栏：论文阅读人工智能文章标签：深度学习

本文链接：https://blog.csdn.net/CMTSA/article/details/120828096

版权

该论文的Abstract:

该论文以组合优化问题中的旅行商问题为例，采用了指针网络（Pointer Networks）和图神经网络（Graph Neural Networks）相结合的图指针网络（Graph Pointer Networks），并且采用了分层强化学习（Hierarchical Reinforcement Learning）将约束组合问题分成不同的子任务。

该论文的Contributions：

①提出了GPN来解决TSP问题，使用图嵌入层扩展指针网络并实现更快的收敛。

②在GPN中加入了context向量并使用早停进行训练，来处理更大规模的TSP实例。

③采用分层 RL 框架和 GPN 架构来有效地解决具有时间窗口约束的 TSP。

TSP问题

该论文专注于解决2维对称欧几里得TSP问题。对称的TSP问题可以看成一个完全无向图。给定一个 $N$ 个城市坐标的列表 $\left \{\mathbf{x}_1, \mathbf{x}_2,...,\mathbf{x}_N \right \}\subset \mathbb{R}^2$ ，找到一条最优路线，使每个城市只访问一次并且路线中覆盖的总距离最小。换句话说，在城市上找到一个最优排列 $\sigma$ ，使行程长度最小。

$L(\sigma, \mathbf{X})=\sum_{i=1}^{N}\left\|\mathbf{x}_{\sigma(i)}-\mathbf{x}_{\sigma(i+1)}\right\|_{2}$

其中，对任意的 $i\neq j$ 来说， $\sigma(1)=\sigma(N+1),\sigma(i)\in\left \{ 1, ..., N \right \},\sigma(i) \neq \sigma(j)$ ，并且

最低0.47元/天解锁文章

CMTSA

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
论文阅读——Combinatorial Optimization by Graph Pointer Networks and Hierarchical Reinforcement Learning

Abstract 用 Reinforcement Learning 训练 Graph Pointer Networks来解决 Traveling Salesman Problem 问题。
复制链接

扫一扫

专栏目录