Neural Combinatorial Optimization Algorithms for Solving Vehicle Routing Problems: A Comprehensive Survey with Perspectives
Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, College of Computer Science and Technology, Jilin university(教育部符号计算与知识工程重点实验室、计算机科学与技术学院、吉林大学);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly(卓越老龄化主动生活联合研究中心);School of Software, Tsinghua University(软件学院、清华大学);College of Computing and Data Science, Nanyang Technological University(计算与数据科学学院、南洋理工大学)
本文系统综述神经组合优化(NCO)求解车辆路径问题(VRP)的最新进展,提出四类分类法,指出SOTA求解器在泛化、大规模、变体覆盖及与传统算法比较上的不足,并展望未来方向。
2025-04-25 cs.AI
Efficient Neural Combinatorial Optimization Solver for the Min-max Heterogeneous Capacitated Vehicle Routing Problem
本文提出ECHO求解器,通过双模态节点编码器捕捉局部拓扑关系,利用参数自由交叉注意力机制缓解短视决策,结合车辆置换不变性和节点对称性设计数据增强策略,提升异质容量车辆路径问题求解性能。
2026-03-15 cs.AI cs.LG
Boosting Cross-problem Generalization in Diffusion-Based Neural Combinatorial Solver via Inference Time Adaptation
Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出DIFU-Ada框架,通过推理时间适应提升基于扩散的神经组合求解器在跨问题和跨尺度上的泛化能力。
2026-03-11 cs.AI cs.LG
Online Search Cost Estimation for SAT Solvers
The University of New South Wales(新南威尔士大学);NICTA(澳大利亚国家信息与通信技术研究院)
我们提出了两种不同的方法来估计解决SAT问题的成本。该方法侧重于回溯求解器的在线行为,以及问题的结构。现代SAT求解器提出了几个挑战,估计搜索成本,包括应对非时序回溯,学习和重新启动。我们的第一种方法采用现有的算法来估计搜索树的大小,以应对这些挑战。然后,我们提出了第二种方法,该方法使用在搜索开始时在线收集的数据上训练的线性模型。我们使用随机和结构化问题比较这两种方法的有效性。我们还表明,在早期重新启动的预测可以用来改善以后的预测。我们的结论表明,解决一组问题的成本可以通过选择一个解决方案,从投资组合的基础上,这样的成本估计减少。
2009-07-29 cs.AI
Accelerating Diffusion-based Combinatorial Optimization Solvers by Progressive Distillation
Carnegie Mellon University(卡内基梅隆大学)
针对基于图的扩散模型求解组合优化问题时推理效率低的问题,提出用渐进式蒸馏减少去噪步数加速推理,在TSP-50数据集上实现16倍提速且性能仅降0.019%。
2023-08-22 cs.AI cs.LG
Local-search techniques for propositional logic extended with cardinality constraints
我们研究了局部搜索可满足性求解器扩展的基数原子命题逻辑,也就是说,表达式,提供明确的方式来模型的基数集的约束。将基数原子添加到命题逻辑的语言中有助于对搜索问题进行建模,并且通常会导致简洁的编码。我们提出了两个“本地”本地搜索求解器的理论在扩展语言。我们还描述了技术,以减少问题的标准命题可满足性,并允许我们使用现成的SAT求解器。我们对这些方法进行了实验研究。我们的总体发现是,专门为扩展语言设计的本地求解器比依赖于SAT求解器的间接方法执行得更好。
2003-10-31 cs.AI
Domain-Independent Dynamic Programming: Generic State Space Search for Combinatorial Optimization
University of Toronto(多伦多大学)
本文提出领域无关动态规划 DIDP,通过 DyPDL 形式化定义 DP 模型,并借助通用状态空间搜索求解器 CAASDy,在多类组合优化问题上优于商用 MIP 与 CP 求解器。
2023-03-01 cs.AI
Adversarial Instance Generation and Robust Training for Neural Combinatorial Optimization with Multiple Objectives
LIACS, Leiden University, Leiden, The Netherlands(莱顿大学LIACS研究所,莱顿,荷兰);Eindhoven University of Technology, Eindhoven, The Netherlands(埃因霍温理工大学,埃因霍温,荷兰)
提出面向多目标组合优化问题的偏好条件深度强化学习鲁棒性框架,通过偏好对抗攻击生成困难实例并量化影响,结合硬度感知偏好选择的对抗训练提升泛化性,在MOTSP、MOCVRP、MOKP上验证了攻击与防御的有效性。
2026-06-06 cs.AI cs.LG
Activity-Based Search for Black-Box Contraint-Programming Solvers
University of Connecticut(康涅狄格大学);Brown University(布朗大学)
鲁棒搜索过程是黑盒约束规划求解器设计的核心组成部分。本文提出了基于活动的搜索,利用变量在传播过程中的活动来指导搜索的思想。基于活动的搜索进行了比较实验的影响为基础的搜索和WDEG的算法。在各种基准测试上的实验结果表明,基于活动的搜索比其他算法更健壮,并且可能会产生显着的性能改善。
2011-05-31 cs.AI cs.MS
Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks
Shanghai Jiao Tong University(上海交通大学)
本文提出一种非自回归神经网络框架,利用无监督学习和在线可微搜索求解正线性约束下的组合优化问题,在设施选址、最大集合覆盖和旅行商问题中达到与SCIP、Gurobi相竞争甚至更优的性能。
2024-09-06 cs.AI cs.LG
Quantum Computing and Phase Transitions in Combinatorial Search
我们介绍了一种算法,用于量子计算机上的组合搜索,该算法能够显著地将幅度集中到一些NP搜索问题的解决方案中。这是通过利用与经典回溯方法相同的问题结构方面来避免非生产性搜索选择。这种量子算法比简单直接使用量子并行更有可能找到解决方案。此外,对小问题的经验评估表明,该量子算法显示出相同的相变行为,并在相同的位置,在许多以前研究的经典搜索方法。具体而言,困难的问题实例集中在从欠约束到过约束问题的突变附近。
1996-03-01 cs.AI
A New Look at the Easy-Hard-Easy Pattern of Combinatorial Search Difficulty
在困难的组合搜索问题的约束条件被添加的容易-难-容易的模式已被解释为由于减少的解决方案的数量和增加修剪之间的竞争。我们测试的一般性,这种解释通过检查其预测之一:如果解决方案的数量是固定的问题的选择,然后增加修剪应导致搜索成本的单调下降。相反,我们发现容易-难-容易模式的中位数搜索成本,即使解决方案的数量是保持不变的,对于一些搜索方法。这概括了以前对这种模式的观察,并表明现有的理论不能解释搜索成本峰值的全部范围。在这些情况下,模式似乎是由于最小不可解子问题的大小变化,而不是解决方案的数量变化。
1997-07-01 cs.AI
Learning-Based TSP-Solvers Tend to Be Overly Greedy
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Mathematics Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院)
本研究通过构建最近邻密度统计度量,揭示了基于学习的TSP求解器过于贪婪的局限性,并开发了可解释的数据增强方法以提升其OOD泛化能力。
2025-02-02 cs.AI cs.DS cs.LG
Search for developments of a box having multiple ways of folding by SAT solver
Department of Computer Science, Gunma Univ.(群马大学计算机科学系)
一个多角形被称为一个发展,如果它可以通过折叠形成多角形的单位正方形的边缘来制作一个盒子。众所周知,有些开发可以通过多种方式折叠到一个或多个盒子中。在这项工作中,我们进行了计算机搜索,通过使用SAT求解器找到这样的发展。结果,我们发现了数千个这样的发展,包括一个面积为52的polyomino,它可以用五种不同的方式折叠成一个$1 \times 2 \times 8$大小的盒子。
2020-05-06 cs.AI cs.CG cs.DM
Using deep learning to construct stochastic local search SAT solvers with performance bounds
Porsche Digital GmbH(保时捷数字集团)
本文提出利用图神经网络作为或acles,提升SLS求解器性能,通过随机和伪工业SAT实例验证,显著提高求解效率和实例解决数量。
2026-04-16 cs.AI math.OC
cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization
Independent Researcher(独立研究者)
cuGenOpt通过GPU加速解决组合优化问题,采用统一编码抽象和适应性操作选择机制,提供纯Python接口和LLM辅助建模,实验显示其在多个问题上性能优越,优化效果显著。
2026-03-19 cs.AI cs.DC
The Configurable SAT Solver Challenge (CSSC)
University of Freiburg(弗莱堡大学);University of Ulm(乌尔姆大学);University of British Columbia(不列颠哥伦比亚大学)
众所周知,不同的解决策略适用于不同类型的组合难题。因此,大多数命题可满足性问题(SAT)的求解器都暴露了参数,这些参数允许它们针对特定的实例族进行自定义。在国际SAT竞赛系列中,这些参数被忽略:求解器使用给定轨道中所有基准实例的单个默认参数设置(由作者提供)运行。虽然这种竞赛形式奖励具有鲁棒默认设置的求解器,但它并不反映仅关心一个特定应用程序上的性能并且可以投入一些时间来调整该应用程序的求解器参数的从业者所面临的情况。新的可配置SAT求解器竞赛(CSSC)比较了后一种设置中的求解器,通过完全自动化配置步骤后实现的性能对每个求解器进行评分。本文更详细地描述了CSSC,并报告了迄今为止在CSSC 2013和2014两个实例中获得的结果。
2016-08-02 cs.AI cs.LG
Efficient Active Search for Combinatorial Optimization Problems
Bielefeld University(比勒费尔德大学);Samsung SDS(三星SDS)
最近,已经提出了许多用于组合优化问题的基于机器学习的方法,这些方法通过强化学习在顺序决策过程中学习构造解。虽然这些方法可以很容易地与像采样和束搜索这样的搜索策略相结合,但是将它们集成到提供强搜索指导的高级搜索过程中并不简单。Bello等人(2016)提出了主动搜索,它使用强化学习在测试时调整(训练)模型相对于单个实例的权重。虽然主动搜索很容易实现,但它与最先进的方法没有竞争力,因为为每个测试实例调整所有模型权重是非常耗时和内存密集的。而不是更新所有的模型权重,我们提出并评估三个有效的主动搜索策略,只更新一个子集的参数在搜索过程中。所提出的方法提供了一种简单的方法,显着提高搜索性能的一个给定的模型,并优于国家的最先进的机器学习的组合问题的方法,甚至超过了著名的启发式求解器LKH 3的能力限制的车辆路径问题。最后,我们证明了(有效的)主动搜索使学习模型能够有效地解决比训练过程中看到的大得多的实例。
2022-03-15 cs.AI cs.LG math.OC
SAT Solvers and Computer Algebra Systems: A Powerful Combination for Mathematics
University of Waterloo(滑铁卢大学);Wilfrid Laurier University(威尔弗里德·劳雷尔大学)
在过去的几十年里,许多不同的研究方向都致力于数学自动化,包括用于数学建模的计算机代数系统(CAS)、用于一阶逻辑的自动定理证明器、用于程序验证的SAT/SMT求解器以及用于检查数学证明的高阶证明助手。最近,其中一些研究领域开始以互补的方式融合在一起。一个成功的例子是SAT求解器和CAS(SAT+CAS)的结合,旨在解决数学问题。在纯数学和应用数学中的许多命题都不能用传统的证明方法来证明。相反,它们最好通过涉及非常大的组合搜索空间的计算方法来解决。SAT求解器是搜索如此大的组合空间的强大方法-因此,来自各种数学领域的许多问题都被简化为SAT,试图解决它们。然而,求解器传统上缺乏对修剪如此大的搜索空间至关重要的数学领域知识的深层存储库。相比之下,CAS是数学知识的深层存储库,但缺乏有效的通用搜索能力。通过将SAT的搜索能力与CAS中的深厚数学知识相结合,我们可以解决许多其他已知方法似乎无法解决的数学问题。我们展示了SAT+CAS范式的成功,突出了许多已被证伪,验证,或部分验证使用我们的工具MathCheck。这些成功表明,该范式将成为解决需要大量搜索和深度数学推理的问题的标准方法。例如,最近Heule、Kauers和Seidl使用SAT+CAS范式来寻找$3\times3$矩阵乘法的许多新算法。
2019-09-16 cs.AI cs.LO cs.SC
Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers
University of Pennsylvania(宾夕法尼亚大学);University of Toronto(多伦多大学);Google DeepMind(谷歌DeepMind);Oracle AI(Oracle人工智能)
本文研究LLM生成组合求解器时形式化与优化的矛盾,通过CP-SynC-XL基准测试,发现Python+OR-Tools在正确性上最优,而MiniZinc+OR-Tools虽使用相同后端但覆盖度较低,启发式优化导致部分问题速度下降和正确性降低。
2026-05-12 cs.AI
Large Language Models as End-to-end Combinatorial Optimization Solvers
Eindhoven University of Technology(埃因霍温理工大学);Singapore Management University(新加坡管理学院)
针对传统组合优化求解依赖特定算法、现有LLM方法通用性受限的问题,提出两阶段训练框架使LLMs直接从自然语言描述生成解决方案,调优7B模型在7个NP难问题上最优性差距1.03-8.20%,优于现有方法。
2025-09-21 cs.AI
Aligning LLMs with Graph Neural Solvers for Combinatorial Optimization
National Yang Ming Chiao Tung University(国立阳明交通大学);Eindhoven University of Technology(埃因霍温理工大学);Centre for Frontier AI Research, A*STAR(前沿人工智能研究中心,新加坡科技研究局);Huazhong University of Science and Technology(华中科技大学);National University of Singapore(新加坡国立大学)
本文提出AlignOPT方法,通过结合大语言模型与图神经求解器,提升组合优化问题的求解能力,实现语义与结构表示的对齐,实验显示其在多种优化问题中表现优异。
2026-03-28 cs.AI
Going Beyond Approximation: Encoding Constraints for Explainable Multi-hop Inference via Differentiable Combinatorial Solvers
University of Manchester(曼彻斯特大学);Idiap Research Institute(Idiap研究所)
线性规划(ILP)提供了一种可行的机制来编码关于自然语言可解释的多跳推理的显式和可控的假设。然而,ILP公式是不可微的,并且不能集成到更广泛的深度学习架构中。最近,Thayaparan等人(2021 a)提出了一种新的方法,将ILP与Transformers集成,以实现复杂多跳推理的端到端可区分性。虽然这种混合框架已被证明提供更好的答案和解释选择比变压器为基础的和现有的ILP求解器,神经符号积分仍然依赖于凸松弛的ILP制定,这可能会产生次优的解决方案。为了改善这些限制,我们提出了Diff-Comb Explainer,这是一种基于可微分黑盒组合求解器(DBCS)的新型神经符号架构(Pogančić et al.,2019年)。与现有的可微求解器,所提出的模型不需要的显式语义约束的转换和放松,允许直接和更有效的集成ILP配方。Diff-Comb Explainer比不可微求解器、Transformers和现有的基于可微约束的多跳推理框架具有更高的准确性和可解释性。
2022-08-05 cs.AI cs.CL
WSAT(cc) - a fast local-search ASP solver
我们描述WSAT(CC),本地搜索求解器计算模型的理论在语言的命题逻辑扩展的基数原子。WSAT(cc)是PS+逻辑的处理后端,PS+是最近提出的回答集编程的形式主义。
2003-10-31 cs.AI
Improving Natural-Language Combinatorial-Optimization Accuracy in Resource-Constrained Language Models via Formal Abstractions
University of California, Berkeley(加州大学伯克利分校)
针对资源受限语言模型在自然语言组合调度中可行性不足的问题,提出神经符号框架SDDL,其在300实例调度子集上大幅提升小模型的可行调度准确率,逼近大模型性能
2026-09-11 cs.AI
AutoPBO: LLM-powered Optimization for Local Search PBO Solvers
本研究提出基于大语言模型的AutoPBO框架,自动优化PBO局部搜索求解器的启发式设计,在四类公开基准上超越现有局部搜索方法,且性能可与当前最优求解器竞争,为求解器自动化设计提供新思路。
2026-11-18 cs.AI
A Summary of Adaptation of Techniques from Search-based Optimal Multi-Agent Path Finding Solvers to Compilation-based Approach
Czech Technical University in Prague(布拉格捷克理工大学);Faculty of Information Technology(信息技术学院)
在多智能体路径寻找问题(MAPF)中,我们给出了一组智能体,每个智能体都有各自的起始位置和目标位置。该任务是找到所有代理的路径,同时避免冲突,旨在最大限度地减少目标函数。两个常见的目标函数是总成本和完工时间。在过去的十年中,引入了许多最佳求解器-可以区分两种主要类别的求解器:基于搜索的求解器和基于编译的求解器。搜索为基础的求解器的开发和测试的成本总和的目标,而最突出的编译为基础的求解器,是围绕布尔可满足性(SAT)的最大完工时间的目标。对基于汇编的方法在费用总额目标方面的绩效和相关性知之甚少。在本文中,我们将展示如何关闭这些成本函数之间的差距,在编译为基础的方法。此外,我们研究的各种技术开发的基于搜索的求解器的编译为基础的方法的适用性。本文的一部分介绍了一个SAT求解器,直接针对解决的总成本的目标函数。同时使用成本总和的下限和完工时间的上限,我们能够在SAT编码中有合理数量的变量。然后,我们进一步改进的编码借用ICTS,基于搜索的求解器的想法。几个领域的实验评估表明,有很多情况下,我们的新的SAT为基础的方法优于以前的成本总和搜索求解器的最佳变体-ICTS,CBS算法,和ICBS算法。
2018-12-28 cs.AI
Rethinking the Soft Conflict Pseudo Boolean Constraint on MaxSAT Local Search Solvers
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(皮卡第儒勒-凡尔纳大学)
本文将完备 MaxSAT 求解器中的 SPB 约束引入局部搜索的子句加权机制,并设计自适应权重策略,提出 SPB-MaxSAT,实验表明其性能优异。
2024-01-19 cs.AI
Farsighted Probabilistic Sampling: A General Strategy for Boosting Local Search MaxSAT Solvers
Huazhong University of Science and Technology(华中科技大学)
局部搜索已被证明是MaxSAT问题的两个实际推广,即部分MaxSAT(PMS)和加权PMS(WPMS)的有效方法。在这项工作中,我们观察到大多数局部搜索(W)PMS求解器通常在每次迭代中翻转一个变量。这种机制可能导致相对低质量的局部最优解,并且可能限制搜索方向的多样性以逃离局部最优解。为了解决这个问题,我们提出了一个通用的策略,称为远见概率采样(FPS),以取代单一的翻转机制,以提高本地搜索(W)PMS算法。FPS考虑了连续翻转一对变量的好处,以便找到更高质量的局部最优解。此外,FPS提出了一种有效的方法来摆脱局部最优,更喜欢最好的翻转之间的最佳采样单变量和最佳采样变量对。大量的实验表明,我们提出的FPS策略显着提高了国家的最先进的(W)PMS求解器,FPS具有良好的泛化能力,各种本地搜索MaxSAT求解器。
2022-11-25 cs.AI
Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language
该研究提出ADSL-PDE领域特定语言,通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性,前十次迭代性能提升超52%。
2026-08-25 cs.AI
Better Understandings and Configurations in MaxSAT Local Search Solvers via Anytime Performance Analysis
本文通过任何时间性能分析,探讨了MaxSAT局部搜索求解器在不同问题实例和时间预算下的性能差异,展示了如何利用Empirical Cumulative Distribution Functions来评估求解器性能,并证明了使用任何时间性能作为成本函数可优化求解器参数配置。
2025-02-04 cs.AI
ParLS-PBO: A Parallel Local Search Solver for Pseudo Boolean Optimization
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出 ParLS-PBO,通过动态评分机制改进 LSPBO,并基于可行解池共享与极性密度增强评分,实现首个并行局部搜索 PBO 求解器,实验性能可与 Gurobi 并行版竞争。
2024-07-31 cs.AI
BandMaxSAT: A Local Search MaxSAT Solver with Multi-armed Bandit
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(儒勒·凡尔纳皮卡第大学);Artificial Intelligence Research Institute (IIIA), CSIC(西班牙国家研究委员会人工智能研究所(IIIA))
我们解决部分MaxSAT(PMS)和加权PMS(WPMS),MaxSAT问题的两个实际推广,并提出了一个局部搜索算法,这些问题,称为BandMaxSAT,适用于多臂强盗模型来指导搜索方向。在我们的方法中的强盗与输入(W)PMS实例中的所有软子句相关联。每个分支对应一个软从句。Bandit模型可以帮助BandMaxSAT选择一个好的方向,通过选择一个软条款,以满足在当前步骤中,即选择一个手臂被拉动,以逃离局部最优。我们进一步提出了一个初始化方法(W)PMS优先单位和二元条款时,产生的初始解决方案。大量的实验表明,BandMaxSAT显着优于最先进的(W)PMS局部搜索算法SATLike3.0。具体而言,BandMaxSAT获得更好结果的实例数量约为SATLike3.0获得的实例数量的两倍。此外,我们将BandMaxSAT与完整的求解器TT-Open-WBO-Inc.由此产生的解算器BandMaxSAT-c的性能也优于一些最先进的完整(W)PMS解算器,包括SATLike-c、Loandra和TT-Open-WBO-Inc。
2022-06-16 cs.AI
Reasoning in a Combinatorial and Constrained World: Benchmarking LLMs on Natural-Language Combinatorial Optimization
Eindhoven University of Technology(埃因霍温理工大学);Brandenburg University of Technology(勃兰登堡工业大学);Nanyang Technological University(南洋理工大学);Delft University of Technology(代尔夫特理工大学);Southeast University(东南大学)
本文提出NLCO基准测试,评估LLM在组合优化中的推理能力,涵盖43个问题,通过四层分类体系进行细粒度评估,发现随着问题规模增大,LLM的性能下降,尤其是在图结构问题和瓶颈目标上表现较差。
2026-04-09 cs.AI
NLocalSAT: Boosting Local Search with Solution Prediction
Peking University(北京大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
布尔可满足性问题是计算机科学中著名的NP完全问题。随机局部搜索是求解可满足满足问题的一种有效方法。然而,在这种方法中,初始化是以随机的方式分配的,这影响了SLS求解器的有效性。为了解决这个问题,我们提出了NLocalSAT。NLocalSAT将SLS与解决方案预测模型相结合,该模型通过使用神经网络更改初始化分配来增强SLS。我们在五个SLS解算器(CCAnr,Sparrow,CPSparrow,YalSAT和probSAT)上评估了NLocalSAT,并在2018年SAT竞赛的随机轨道上进行了实例。实验结果表明,使用NLocalSAT的求解器比原SLS求解器的性能提高了27% ~ 62%.
2020-12-09 cs.AI
Driving CDCL Search
Università della Calabria(卡拉布里亚大学);Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚得里亚大学)
CDCL算法是最先进的SAT、SMT、ASP等求解器采用的领先解决方案。实验表明,嵌入特定领域的算法可以显着提高CDCL求解器的性能,特别是在大型现实世界的问题。然而,在现成的CDCL实现中适当地集成这样的标准并不明显。在本文中,我们提取的关键成分,驱动搜索的CDCL求解器,并提出了一个通用的框架,设计和实施新的算法。我们在ASP求解器中实现了我们的策略,并在两个工业领域进行了实验。在困难的问题实例中,最先进的实现无法在可接受的时间内找到任何解决方案,而我们的实现非常成功,可以找到所有解决方案。
2016-11-16 cs.AI
Hybrid Reinforcement Learning and Search for Flight Trajectory Planning
University of Bologna(博洛尼亚大学)
本文提出一种混合强化学习与搜索的方法,用于快速优化民航飞行路径,通过预计算近优路径减少求解空间,提升计算效率并保持燃油消耗相近。
2026-08-20 cs.AI
What's Wrong with Deep Learning in Tree Search for Combinatorial Optimization
Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);The Academic College of Tel Aviv-Yaffo(特拉维夫-雅法学术学院);University of Potsdam(波茨坦大学)
组合优化是许多实际问题的核心。特别是自图神经网络(GNN)兴起以来,深度学习社区一直在开发求解器,通过学习特定于问题的解决方案结构来获得NP难题的解决方案。然而,复制这些出版物的结果证明是困难的。我们做了三个贡献。首先,我们提出了一个开放源码的基准套件的NP难最大独立集问题,在其加权和未加权的变种。该套件为各种最先进的传统和基于机器学习的求解器提供了统一的接口。其次,使用我们的基准测试套件,我们对Li等人[NeurIPS 2018]流行的引导树搜索算法进行了深入分析,在小型和大型合成图和真实世界图上测试了各种配置。通过重新实现他们的算法,重点关注代码质量和可扩展性,我们证明了树搜索中使用的图卷积网络不会学习解决方案结构的有意义的表示,实际上可以用随机值代替。相反,树搜索依赖于像图核化这样的算法技术来找到好的解决方案。因此,原始出版物的结果不可重现。第三,我们扩展了分析,比较树搜索实现其他求解器,表明经典的算法求解器往往更快,同时提供类似质量的解决方案。此外,我们分析了最近的求解器的基础上强化学习,并观察到,对于这个求解器,GNN是有竞争力的解决方案的质量负责。
2022-01-25 cs.AI cs.LG math.OC
Hybrid DCOP Solvers: Boosting Performance of Local Search Algorithms
TNO(荷兰应用科学研究组织);Delft University of Technology(代尔夫特理工大学)
我们提出了一种新的方法,加快对称和非对称分布式约束优化问题(DCOP)求解器。其核心思想是基于贪婪的快速非迭代DCOP求解器初始化DCOP求解器。这与现有方法相反,在现有方法中,初始化总是使用随机值分配来实现。我们的经验表明,改变现有的DCOP求解器的启动条件,不仅减少了算法的收敛时间高达50%,而且还减少了通信开销,导致更好的解决方案的质量。我们表明,这种效果是由于变量分配的结构改进,这是由DCOP算法激活的传播模式引起的。/受试者(混合DCOP)
2020-09-04 cs.AI cs.DC cs.MA
SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning
École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎综合理工大学);École Polytechnique de Montréal(蒙特利尔综合理工学院)
设计求解组合优化问题的高效通用算法是一个活跃的研究领域。标准的精确求解方法是基于对解集的巧妙而完整的枚举。使用这种方法的一个关键和重要的设计选择是分支策略,它指导如何执行搜索。在过去的十年中,人们对设计基于机器学习的算法来解决组合优化问题表现出越来越大的兴趣。目标是利用历史数据中的知识来解决问题的类似新实例。单独使用时,这种算法只能有效地提供近似解,但不能证明其解的最优性或边界。最近的工作表明,强化学习可以成功地用于驱动约束规划(CP)求解器的搜索阶段。然而,也已经表明,这种混合是具有挑战性的建设,因为标准的CP框架不包括原生的机器学习机制,导致一些低效率的来源。本文介绍了SeaPearl的概念证明,这是一种在Julia中实现的新CP求解器,它支持机器学习例程,以便使用强化学习来学习分支决策。还提供了对学习组件建模的支持。我们说明了两个问题的建模和解决方案的性能,这个新的求解器。虽然还没有与工业求解器竞争,但SeaPearl旨在提供一个灵活的开源框架,以促进未来约束编程和机器学习混合的研究。
2021-04-20 cs.AI cs.LG
Analysis Of The Anytime MAPF Solvers Based On The Combination Of Conflict-Based Search (CBS) and Focal Search (FS)
HSE University(高等经济大学);AIRI;Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心)
基于搜索的算法(CBS)是一种广泛应用的多智能体寻路算法(MAPF)。CBS的核心思想是运行分层搜索,当在高级别上探索解决方案候选人的树时,在低级别上进行针对特定代理的个人规划(受到某些约束)。为了权衡运行时间的最优性,设计了有界次优CBS的不同变体,这改变了CBS的高级别和低级别搜索例程。此外,CBS的随时变体确实存在,其将焦点搜索(FS)应用于CBS的高级-随时BCBS。然而,没有全面的分析,以及该算法的执行相比,天真的,当我们简单地重新调用CBS与降低次优界,是目前。这项工作旨在填补这一空白。此外,我们提出并评估另一个随时版本的CBS,使用FS的CBS的两个级别。从经验上讲,我们表明,它的行为主要是从一个不同的任何时候BCBS证明。最后,我们比较这两种算法头对头,并表明,使用焦点搜索的CBS的两个级别可以在广泛的设置是有益的。
2022-09-20 cs.AI cs.MA
Layered and Staged Monte Carlo Tree Search for SMT Strategy Synthesis
University of Waterloo(滑铁卢大学);University of Göttingen(哥廷根大学);CIDAS;Georgia Institute of Technology(佐治亚理工学院);Loughborough University(拉夫堡大学)
本文提出基于分层分阶段蒙特卡洛树搜索的SMT策略自动合成方法Z3alpha,以低成本高效探索策略空间,在多个基准上超越FastSMT、默认Z3和CVC5。
2024-04-30 cs.AI cs.LO cs.SE