机器学习与组合优化

原文转自：https://blog.csdn.net/jinzhuojun/article/details/110730899
这是我最近阅读的一篇文章，感觉写得非常好，主要是以旅行商问题为代表，介绍机器学习方法在这种组合优化问题上的应用，读完此文，对于组合优化，机器学习跨领域交叉等方面都有了深度的认识。但是由于CSDN转载的时候原文好多公式的样式被破坏了，改起来太麻烦，所以就在这里贴一个前言背景好了，大家需要的话可以从原文仔细看。

背景

如今机器学习在视觉、自然语言处理、语音、推荐等领域的应用已非常广泛，相关的讨论也非常多。与这些热门领域相比，关于机器学习在组合优化中的应用相对还没那么泛滥。今天我们就来聊一下这个有意思的话题。值得一提的是，近几年热度升温的GNN和RL（《GNN、RL强势崛起，CNN初现疲态？这是ICLR 2021最全论文主题分析》）都是这个方向里的常规方法。在实际工程中，有一类优化问题需要我们从集合的所有组合中找出一个最优方案。这类离散空间中的优化问题就称为组合优化问题（Combinatorial Optimization Problems ，COP）。组合优化问题在交通运输，管理，生产，航天，经济等领域有着非常广泛的应用，因此也是运筹学的主要研究对象之一。从航班和工厂的调度，金融资产配置，仓库货物存储到运输路线的设计，很多都可以建模成组合优化问题。但是，这类问题由于需要考虑的情况大多是随着问题规模指数增长的，因此其中有不少是NP-complete的。也就是说目前还找不到多项式时间复杂度的算法。NP-complete问题有很多，如经典的satisfiability（SAT）问题，minimum vertex cover（MVC）问题，max cut（MC）问题等等。它们之间可以在多项式复杂度内相互归约，也就是说其中一个被证明有多项式复杂度解法的话，所有的都有多项式复杂度解法。

而近年来随着人工智能的第三次复兴，深度神经网络（Deep Neural Network, DNN）成为了机器学习的主流方法。除了常见的视觉、语音、自然语言处理和推荐等领域，人们也将之引入了组合优化领域，发现它确实能带来一些看起来不错的结果。本文主要简单聊一下基于机器学习来解决组合优化问题这个方向的发展历程与一些核心思想。TSP问题由于其经典的地位在很多的工作中被用来评估和比较算法效果，因此会被多次提及。让我们来看下这个旅行商在与机器学习结合后能焕发出怎样的新生