本文探讨了如何结合深度学习和树搜索策略来优化container pre-marshalling problem (CPMP)，以减少集装箱翻箱次数。通过利用分类和回归DNN指导搜索并进行剪枝，提出深度优先搜索、有限分歧搜索和加权束搜索等策略。实验结果显示，这种方法相比于现有启发式算法BRKGA，尽管求解速度慢，但找到的解质量显著提高。
论文阅读笔记，个人理解，如有错误请指正，感激不尽！该文分类到Machine learning alongside optimization algorithms。
01 container pre-marshalling problem (CPMP)
对集装箱进行预翻箱整理,使得集装箱的堆放顺序符合取箱顺序,以尽量减少取箱装船过程中的翻箱次数。如下图所示，出箱顺序为1234……6，灰色的集装箱2、4、5挡住了先要出来的集装箱1、3，因此需要不断移动灰色的集装箱到别处去，直到不挡住别的箱子。这样1可以顺利先出，而后是2，接着是3……目标是最小化移动集装箱的次数。
02 tree search中的DNN
树搜索大家不会陌生，深度优先、广度优先、分支定界等都属于树搜索策略。将Deep learning集成进tree search中，用于求解CPMP。利用深度神经网络(classification DNN)在分支选择上进行预测，给出分支的“好坏”，随后按照分支的“好坏”（好的分支得到最优解的可能性更大）继续搜索。同时，利用深度神经网络(regression DNN)对分支节点的lower bound进行预测，剪掉不必要的分支。
下图解释了搜索过程中的分支选择决策，以c节点为例，通过将c节点表示的问题和解信息输入到DNN中，经过隐藏层，在输出层通过一个softmax函数给出三个
最低0.47元/天 解锁文章
1765
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
