مقاله بهینه سازی دقیق ترکیبی با شبکه های عصبی نمودار موقت و متعارف

چکیده

Combinatorial optimization finds an optimal solution within a discrete set of variables and constraints. The field has seen tremendous progress both in research and industry. With the success of deep learning in the past decade, a recent trend in combinatorial optimization has been to improve state-of-the-art combinatorial optimization solvers by replacing key heuristic components with machine learning (ML) models. In this paper, we investigate two essential aspects of machine learning algorithms for combinatorial optimization: temporal characteristics and attention. We argue that for the task of variable selection in the branch-and-bound (B&B) algorithm, incorporating the temporal information as well as the bipartite graph attention improves the solver’s performance. We support our claims with intuitions and numerical results over several standard datasets used in the literature and competitions. Code is available at: https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=047c6cf2-8463-40d7-b92f-7b2ca998e935

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی ترکیبی یک راه حل بهینه در یک مجموعه گسسته از متغیرها و محدودیت ها پیدا می کند.در این زمینه پیشرفت چشمگیری هم در تحقیقات و هم در صنعت شاهد بوده است.با موفقیت یادگیری عمیق در یک دهه گذشته ، روند اخیر در بهینه سازی ترکیبی ، بهبود حلال های بهینه سازی ترکیبی پیشرفته با جایگزینی اجزای کلیدی اکتشافی با مدل های یادگیری ماشین (ML) است.در این مقاله ، ما دو جنبه اساسی الگوریتم های یادگیری ماشین را برای بهینه سازی ترکیبی بررسی می کنیم: خصوصیات زمانی و توجه.ما استدلال می کنیم که برای کار انتخاب متغیر در الگوریتم شاخه و محدود (B&B) ، شامل اطلاعات زمانی و همچنین توجه نمودار دو طرفه باعث بهبود عملکرد حل کننده می شود.ما از ادعاهای خود با شهود و نتایج عددی در چندین مجموعه داده استاندارد استفاده شده در ادبیات و مسابقات پشتیبانی می کنیم.کد در: https://developer.huaweicloud.com/develop/aigallery/notebook/detail؟id=047c6cf2-8463-40d7-b92f-7b2ca98e935 در دسترس است.