Enabling Population-Based Architectures for Neural Combinatorial Optimization

Andoni I. Garmendia

doi:10.1109/tevc.2026.3730516

Enabling Population-Based Architectures for Neural Combinatorial Optimization

2026-09-03

0

PRE

AI

DOI：10.1109/tevc.2026.3730516

原文链接

原文求助

摘要

En 中文

神经网络组合优化（NCO）主要关注学习策略，通常是神经网络，一次操作一个候选解，要么从头构建，要么逐步改进。相比之下，元启发式算法数十年的研究已表明，维护和进化解种群能提高鲁棒性和探索能力，并常带来更优性能。为弥合这一差距，我们研究了如何通过学习作用于候选解集合的策略，使NCO显式地基于种群。首先，我们提出一个简单的“种群感知”层级分类，并用其强调两个关键设计挑战：（i）如何在神经网络中表示整个种群，以及（ii）如何学习平衡强化（生成优质解）与多样化（保持多样性）的种群动态。我们通过两种互补工具具体化这些想法：一种通过全种群共享信息改进现有解，另一种生成新候选解时显式平衡高质量与多样性。在最大割和最大独立集问题上的实验结果表明，融入种群结构对基于学习的优化方法有益，并为NCO与传统基于种群的搜索之间建立了新的联系。

Keyword:

Neural Combinatorial Optimization

Learning to Optimize

Population Methods

Reinforcement Learning

Enabling Population-Based Architectures for Neural Combinatorial Optimization

摘要

期刊

机构

引用论文