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。
min x 1 , x 2 u ( x 1 , x 2 ) = w 11 x 1 + w 12 x 2 + w 13 s . t . w 21 x 1 + w 22 x 2 + w 23 < 0 ( c 1 ) w 31 x 1 + w 33 < 0 ( c 2 ) x 1 , x 2 ∈ { 0 , 1 } \begin{equation} \begin{aligned} \underset{ { {x}_{1}},{ {x}_{2}}}{\mathop{\min }}\,\text{ }&u({ {x}_{1}},{ {x}_{2}})={ {w}_{11}}{ {x}_{1}}+{ {w}_{12}}{ {x}_{2}}+{ {w}_{13}} \\ s.t.\text{ }&{ {w}_{21}}{ {x}_{1}}+{ {w}_{22}}{ {x}_{2}}+{ {w}_{23}}<0\text{ }({ {c}_{1}}) \\ \text{ }&{ {w}_{31}}{ {x}_{1}}+{ {w}_{33}}<0\text{ }({ {c}_{2}}) \\ \text{ }&{ {x}_{1}},{ {x}_{2}}\in \text{ }\!\!\{\!\!\text{ }0,1\text{ }\!\!\}\!\!\text{ } \\ \end{aligned} \tag{1.1}\\ \end{equation} x1,x2min s.t. u(x1,x2)=w11x1