Submitted 6 September, 2024; originally announced September 2024. , Comments: English version of the same paper published on Scientia Sinica Informationis
توضیحات به فارسی
ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: نسخه انگلیسی همان مقاله منتشر شده در Scientia sinica informationis
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Combinatorial optimization (CO) is the fundamental problem at the intersection of computer science, applied mathematics, etc. The inherent hardness in CO problems brings up challenge for solving CO exactly, making deep-neural-network-based solvers a research frontier. In this paper, we design a family of non-autoregressive neural networks to solve CO problems under positive linear constraints with the following merits. First, the positive linear constraint covers a wide range of CO problems, indicating that our approach breaks the generality bottleneck of existing non-autoregressive networks. Second, compared to existing autoregressive neural network solvers, our non-autoregressive networks have the advantages of higher efficiency and preserving permutation invariance. Third, our offline unsupervised learning has lower demand on high-quality labels, getting rid of the demand of optimal labels in supervised learning. Fourth, our online differentiable search method significantly improves the generalizability of our neural network solver to unseen problems. We validate the effectiveness of this framework in solving representative CO problems including facility location, max-set covering, and traveling salesman problem. Our non-autoregressive neural solvers are competitive to and can be even superior to state-of-the-art solvers such as SCIP and Gurobi, especially when both efficiency and efficacy are considered. Code is available at https://github.com/Thinklab-SJTU/NAR-CO-Solver
چکیده به فارسی (ترجمه ماشینی)
بهینه سازی ترکیبی (CO) یک مشکل اساسی در تقاطع علوم کامپیوتر ، ریاضیات کاربردی و غیره است. سختی ذاتی در مشکلات CO چالش را برای حل دقیق CO ایجاد می کند و باعث می شود که حل کننده های مبتنی بر شبکه های عمیق یک مرز تحقیق باشد.در این مقاله ، ما خانواده ای از شبکه های عصبی غیر خودپسندانه را برای حل مشکلات CO تحت محدودیت های خطی مثبت با شایستگی های زیر طراحی می کنیم.اول ، محدودیت خطی مثبت طیف گسترده ای از مشکلات CO را در بر می گیرد ، نشان می دهد که رویکرد ما تنگنای کلی شبکه های غیر متجاوز موجود را می شکند.دوم ، در مقایسه با حل کننده های شبکه عصبی خودجوش موجود ، شبکه های غیر متجاوز ما مزایای بهره وری بالاتر و حفظ عدم تغییر جایگشت را دارند.سوم ، یادگیری بدون نظارت به آفلاین ما تقاضای کمتری در برچسب های با کیفیت بالا دارد و از شر تقاضای برچسب های بهینه در یادگیری نظارت شده خلاص می شود.چهارم ، روش جستجوی متفاوت آنلاین ما به طور قابل توجهی قابلیت تعمیم حل کننده شبکه عصبی ما را به مشکلات غیب بهبود می بخشد.ما اثربخشی این چارچوب را در حل مشکلات نماینده شرکت از جمله محل تسهیلات ، پوشش حداکثر مجموعه و مشکل فروشنده مسافرتی تأیید می کنیم.حل کننده های عصبی غیر مغرور ما با آن رقابتی هستند و حتی می توانند برتر از حلال های مدرن مانند SCIP و GUROBI باشند ، به ویژه هنگامی که هر دو کارآیی و اثربخشی در نظر گرفته می شوند.کد در https://github.com/thinklab-sjtu/nar-co-solver در دسترس است
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
