图卷积网络在旅行商问题上的高效技术：graph-convnet-tsp 使用指南

图卷积网络在旅行商问题上的高效技术：graph-convnet-tsp 使用指南

graph-convnet-tspCode for the paper 'An Efficient Graph Convolutional Network Technique for the Travelling Salesman Problem' (INFORMS Annual Meeting Session 2019)项目地址:https://gitcode.com/gh_mirrors/gr/graph-convnet-tsp

本指南将引导您深入了解 graph-convnet-tsp 开源项目，这是一个旨在利用图卷积网络解决经典旅行商问题(TSP)的研究工作。本项目基于 INFORMS 年度会议 2019 上的论文。以下是关于如何组织、启动以及配置该项目的关键信息。

1. 项目目录结构及介绍

graph-convnet-tsp/
├── data/                     # 数据存放目录，包括原始TSP数据和自动生成的数据。
│   └── ...                   # TSP数据集txt文件以及pyConcorde库用于新数据生成。
├── config.py                 # 配置参数文件，用于控制实验设置。
├── generate_tsp_concorde.py  # 使用Concorde生成新的TSP实例的脚本。
├── main.ipynb                # 核心Jupyter Notebook，涵盖模型训练和评估。
├── models/                   # 包含GCN模型定义的文件夹。
│   └── ...
├── requirements.txt          # 项目依赖列表。
├── split_train_val.py        # 划分训练验证数据集的脚本。
└── utils.py                  # 辅助函数集合，支持主代码运行。

• data: 存储TSP数据集，并且是生成或加载数据的地方。
• config.py: 控制实验的配置文件，如学习率、批次大小等。
• main.ipynb: 实验的核心，可用于复现实验结果或从头开始训练模型。
• models/: 模型架构代码所在，涉及图卷积网络的实现。
• generate_tsp_concorde.py: 通过Concorde求解器生成TSP问题实例。
• split_train_val.py: 用于将现有数据切分为训练集和验证集。

2. 项目的启动文件介绍

主要入口点：main.ipynb

这个Jupyter Notebook提供了三个主要的工作模式：

• Notebook Mode: 便于调试，直接在Notebook中执行每个单元格。
• Visualization Mode: 可视化已保存模型的状态并进行评估。
• Script Mode: 作为Python脚本完整运行实验流程。

启动步骤通常包括使用Jupyter Lab打开此Notebook，根据需求设置viz_mode变量并执行相关单元格。

3. 项目的配置文件介绍

配置文件：config.py

此文件包含了所有重要的超参数和实验设定，例如：

• 数据路径：指定数据集的位置。
• 模型参数：如图卷积层数、神经元数量等。
• 训练设置：包括批次大小、学习率、训练轮数等。
• 环境参数：可能会涉及到特定于实验环境的调整。

要定制实验，开发者需编辑该文件来匹配其研究或应用需求。通过修改这些配置，用户可以灵活地改变实验条件，以适应不同规模的TSP问题或者调整模型的学习过程。

结语

通过遵循上述指南，您可以有效地搭建和实验该项目，探索图卷积网络在优化领域，特别是旅行商问题解决方案中的潜力。记得安装必要的软件环境，并根据提供的说明操作以获得最佳效果。

graph-convnet-tspCode for the paper 'An Efficient Graph Convolutional Network Technique for the Travelling Salesman Problem' (INFORMS Annual Meeting Session 2019)项目地址:https://gitcode.com/gh_mirrors/gr/graph-convnet-tsp