.png){kind=icon}
返回
Machine Learning-Driven Combinatorial Optimization: A Systematic Review
.png){kind=icon}
PRE
AI
DOI：10.1007/s11831-026-10679-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本综述聚焦于路由与调度这两个物流和制造领域中基石性的组合优化问题（COPs）领域，这些领域日益需要在大型规模和动态约束下运行。传统方法在可扩展性和动态约束方面常面临挑战。机器学习（ML）的集成引入了强大的新型求解器。本综述全面回顾了2020年至2026年间针对COPs的ML进展，重点关注四种关键范式：监督学习、强化学习、无监督学习以及大型语言模型（LLMs）。我们将方法分为三类框架：端到端神经求解器（直接生成解）、混合求解器（使用ML指导经典优化算法）和生成方法（建模解分布）。每种范式在模型架构、集成策略以及路由、调度和其他COPs的应用方面进行分析。我们还考察了LLMs作为优化器、程序员和协作工具的兴起角色。为支持严格的跨范式比较，我们建立了一个统一的比较框架，从七个维度评估方法——解质量、可扩展性、泛化能力、计算效率、数据独立性、可行性保证和理论保证——并为所有范式（包括LLM基方法）的代表方法提供粗略评级。基于此分析，本文识别了核心挑战，如跨尺度与分布的泛化、效率-质量权衡、理论保证、数据依赖性、动态约束处理、生成模型的可行性保证以及非平稳环境下的鲁棒性，并概述了构建更鲁棒和实用的ML驱动优化系统的未来方向。
期刊
IF:
12.1
论文数:
1.8K
被引数:
1.2W
机构
引用论文
.png){kind=icon}
A Kind of Reinforcement Learning to Improve Genetic Algorithm for Multiagent Task Scheduling一种用于改进多智能体任务调度的遗传算法的强化学习方法
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容