.png){kind=icon}
返回
TransACO: Transformer-Guided Ant Colony Algorithm for Combinatorial Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tetci.2026.3683773.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蚁群优化（ACO）是一种启发式算法，已被广泛用于求解组合优化问题。然而，在蚁群优化中确定启发式度量及初始信息素水平具有问题依赖性，通常需要专家干预，这对用户构成了重大挑战。我们研究了基于自注意力机制的强大学习模型——Transformer，如何用于实现启发式度量与信息素的自动设计。我们提出了Transformer引导的蚁群优化（TransACO），一种结合神经网络方法与启发式算法的框架。Transformer被设计为学习器，用于编码问题实例、捕捉个体交互，并生成启发式度量与信息素矩阵。此外，还提出了一种候选点扰动局部搜索技术以增强探索能力。我们在四种代表性组合优化问题——旅行商问题、容量车辆路径问题、 Orienteering问题和多重背包问题——上进行了广泛实验，涵盖了多样化的实例规模。值得注意的是，在跨规模泛化实验中，仅在小实例上训练的模型成功迁移至10k节点问题：在TSP-10k上，TransACO实现了4.12%的改进，在CVRP-10k上，相较于强基线取得了1.16%的提升。这些发现证明了TransACO的鲁棒性、适应性与可扩展性。
Keyword:
Ant colony optimization
combinatorial optimization
transformer
deep learning
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
.png){kind=icon}
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
PREAI
分享收藏
Public transport for smart cities: Recent innovations and future challenges智慧城市的公共交通: 近期创新与未来挑战
PREAI
分享收藏
分享收藏
查看更多内容