旅行小偷问题的代理辅助优化
Surrogate Assisted Optimisation for Travelling Thief Problems
摘要：
旅行小偷问题（TTP）是一个多组件优化问题，涉及两个相互依赖的NP-难组件：旅行商问题（TSP）和背包问题（KP）。最新的TTP求解器以迭代和交错的方式修改底层TSP和KP解决方案。TSP解决方案（循环游览）通常以确定性的方式改变，而KP解决方案的改变通常涉及随机搜索，有效地导致TTP解决方案空间的准曲折探索。一旦达到平台期，通过使用新的初始TSP巡回重新开始TTP解空间的迭代搜索。我们建议通过自适应代理模型（基于自定义形式的支持向量回归）来提高搜索效率，该模型学习初始TSP旅行的特征，从而获得良好的TTP解决方案。该模型用于过滤掉没有希望的初始TSP旅游，实际上减少了寻找良好的TTP解决方案所花费的时间。广泛的基准TTP实例上的实验表明，所提出的方法过滤掉了相当数量的非有前途的初始旅游，在成本上省略只有一小部分的最佳TTP解决方案。
英文摘要：
The travelling thief problem (TTP) is a multi-component optimisation problem involving two interdependent NP-hard components: the travelling salesman problem (TSP) and the knapsack problem (KP). Recent state-of-the-art TTP solvers modify the underlying TSP and KP solutions in an iterative and interleaved fashion. The TSP solution (cyclic tour) is typically changed in a deterministic way, while changes to the KP solution typically involve a random search, effectively resulting in a quasi-meandering exploration of the TTP solution space. Once a plateau is reached, the iterative search of the TTP solution space is restarted by using a new initial TSP tour. We propose to make the search more efficient through an adaptive surrogate model (based on a customised form of Support Vector Regression) that learns the characteristics of initial TSP tours that lead to good TTP solutions. The model is used to filter out non-promising initial TSP tours, in effect reducing the amount of time spent to find a good TTP solution. Experiments on a broad range of benchmark TTP instances indicate that the proposed approach filters out a considerable number of non-promising initial tours, at the cost of omitting only a small number of the best TTP solutions.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
