文章目录
- Abstract
- 1 Introduction
- 2 Related works
-
- 2.1 蚁群优化
- 2.2 神经组合优化
- 2.3 GFlowNets与组合优化
- 3 Preliminary
-
- 3.1 旅行商问题
- 3.2 蚁群优化
- 3.3 生成流网络
Abstract
本文介绍了一种神经引导的概率搜索算法——生成流蚁群采样器（GFACS），用于解决组合优化（CO）问题。GFACS将生成流网络（GFlowNets）这一新兴的摊销推理方法与蚁群优化（ACO）这一有前景的概率搜索算法相结合。具体而言，我们利用GFlowNets在组合空间中学习构造策略，以增强ACO，通过提供基于输入图实例的决策变量的知情先验分布。此外，我们提出了一种新颖的离轨策略训练算法，通过利用局部搜索和共享能量归一化，将条件GFlowNets扩展到大规模组合空间。我们的实验结果表明，GFACS在七个CO任务中优于基线ACO算法，并在车辆路径问题的特定问题启发式方法中表现出竞争力。
1 Introduction
组合优化（CO）是一个关键领域，涉及对车辆路径规划、硬件设计优化和生物序列设计等具有高影响的应用。蚁群优化（ACO）[14, 68]是一种为解决这些任务而设计的通用元启发式算法。ACO采用一种构造性解生成方案，通过顺序添加元素到部分解中&#x
