.png){kind=icon}
返回
Solving Multiobjective Combinatorial Optimization via Learning to Improve Method
.png){kind=icon}
PRE
AI
DOI：10.1109/TETCI.2025.3540424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，神经组合优化（NCO）方法在求解多目标组合优化问题（MOCOPs）方面占据主导地位。大多数NCO方法基于“学习构建”（L2C）范式，其中训练好的模型可以直接生成一组近似的帕累托最优解。然而，这些方法在接近真实帕累托前沿方面仍存在不足，且解的多样性较差。本文遵循“学习改进”（L2I）范式，提出了一种基于学习的改进方法——权重相关策略网络（WRPN）来求解MOCOPs。WRPN被整合到多目标进化算法（MOEA）框架中，以有效引导搜索方向。提出了一种共享基线用于近端策略优化，以减少模型训练中的方差。设计了一种质量增强机制，在模型推理期间进一步优化帕累托集。在两个经典MOCOPs（即多目标旅行商问题和多目标车辆路径问题）上进行的计算实验表明，我们的方法取得了显著成果。值得注意的是，我们的WRPN模块可以轻松集成到各种MOEA框架（如NSGA-II、MOEA/D和MOGLS）中，为不同问题领域提供了通用性和适用性。
Keyword:
Multi-objective combinatorial optimization
neural heuristic
learning to optimize
deep reinforcement learning
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
Multi-Objective Neural Evolutionary Algorithm for Combinatorial Optimization Problems求解组合优化问题的多目标神经进化算法
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏
分享收藏Meta-Learning-Based Deep Reinforcement Learning for Multiobjective Optimization Problems基于元学习的多目标优化深度强化学习
OAAI
OAAI分享收藏
查看更多内容