预测、迭代与优化：用AI探寻组合优化问题最优解

在《基于深度强化学习的组合优化方法在工业应用中的实践》一文中我们介绍过（点此回顾），组合优化问题广泛存在于交通运输、生产制造、信息通讯、工业工程、金融投资等诸多领域，这些现实世界中的组合优化问题有一个共同挑战，就是如何在不断扩增的问题规模、复杂度以及现实场景下实现对求解速度的客观要求。

以常见的交通运输领域的路径规划问题为例，这类问题对最优路径的求解效率有着很高的要求，但由于受到不断扩增的用户规模、动态变化的外部环境（如天气）等因素的影响，由此产生的更为复杂的场景约束（例如：客户的预计交付时间需求）使得问题规模不断扩大，求解难度与复杂度随之指数级增加，给这类组合优化问题的高效求解带来了极大的挑战。

近年来，随着深度学习、强化学习等人工智能技术的快速发展，现实世界中诸多大规模组合优化问题的求解思路不断得到拓展。本文我们将以人工智能技术如何用于解决最优解预测、可行解迭代搜索为研究方向，探索AI求解组合优化问题的更多可能性。

01 什么是组合优化问题？

组合优化问题就是在一定的约束条件下，需要在庞杂的可行解空间中筛选出最优解的一类问题。下式即为一个简单组合优化问题的数学表达形式，主要包含三大要素：决策变量、约束条件和目标函数。

$$\begin{array}{c}\begin{array}{rl}\underset{x_1,x_2}{\min }& u(x_1,x_2)=w_{11}{x}_1\\ s.t.& \\ & \\ & \end{array}\end{array}$$