論文の概要: A Survey on Reinforcement Learning for Combinatorial Optimization
- arxiv url: http://arxiv.org/abs/2008.12248v3
- Date: Tue, 3 Oct 2023 14:17:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 11:32:30.285794
- Title: A Survey on Reinforcement Learning for Combinatorial Optimization
- Title（参考訳）: 組合せ最適化のための強化学習に関する調査
- Authors: Yunhao Yang, Andrew Whinston
- Abstract要約: 本稿では,TSP(Deuts-traveling Salesperson problem)の課題について概説する。
TSPの現代的なRLアルゴリズムのアプローチと1970年代に発表されたアプローチを比較する。
本稿では,従来の数学的枠組みを拡張した深層学習手法であるDeep RLについて概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper gives a detailed review of reinforcement learning (RL) in
combinatorial optimization, introduces the history of combinatorial
optimization starting in the 1950s, and compares it with the RL algorithms of
recent years. This paper explicitly looks at a famous combinatorial
problem-traveling salesperson problem (TSP). It compares the approach of modern
RL algorithms for the TSP with an approach published in the 1970s. By comparing
the similarities and variances between these methodologies, the paper
demonstrates how RL algorithms are optimized due to the evolution of machine
learning techniques and computing power. The paper then briefly introduces the
deep learning approach to the TSP named deep RL, which is an extension of the
traditional mathematical framework. In deep RL, attention and feature encoding
mechanisms are introduced to generate near-optimal solutions. The survey shows
that integrating the deep learning mechanism, such as attention with RL, can
effectively approximate the TSP. The paper also argues that deep learning could
be a generic approach that can be integrated with any traditional RL algorithm
to enhance the outcomes of the TSP.
- Abstract（参考訳）: 本稿では、組合せ最適化における強化学習(RL)の詳細なレビューを行い、1950年代からの組合せ最適化の歴史を紹介し、近年のRLアルゴリズムと比較する。
本稿では,TSP (Computer-traveling Salesperson problem) を概説する。
TSPの現代的なRLアルゴリズムのアプローチと1970年代に発表されたアプローチを比較する。
これらの手法の類似点と分散点を比較することにより,機械学習技術と計算能力の進化によりRLアルゴリズムが最適化されることを示す。
そこで本論文では,従来の数学的枠組みを拡張した深層学習手法である深部RLについて,短時間で紹介する。
深部RLでは、ほぼ最適解を生成するために注意と特徴符号化機構が導入された。
調査の結果,注意力などの深層学習機構をRLと組み合わせることで,TSPを効果的に近似できることがわかった。
また、ディープラーニングは従来のRLアルゴリズムと統合可能な汎用的なアプローチであり、TSPの結果を高めることができると主張している。
関連論文リスト
- Surpassing legacy approaches to PWR core reload optimization with single-objective Reinforcement learning [0.0]
単目的および多目的の最適化のための深層強化学習(DRL)に基づく手法を開発した。
本稿では、PPO(Proximal Policy Optimization)を用いて、RLに基づくアプローチの利点を実証する。
PPOは学習可能なウェイトを持つポリシーで検索機能を適応し、グローバル検索とローカル検索の両方として機能する。
論文 参考訳（メタデータ） (2024-02-16T19:35:58Z) - Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and
Research Opportunities [63.258517066104446]
進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。
本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。
RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-25T15:06:05Z) - Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。
本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T15:00:09Z) - Ensemble Reinforcement Learning in Continuous Spaces -- A Hierarchical
Multi-Step Approach for Policy Training [4.982806898121435]
本稿では,革新的な多段階統合手法に基づいて,基礎学習者のアンサンブルを訓練する手法を提案する。
本手法は,学習者間コラボレーションを効果的に促進するアンサンブルDRLのための新しい階層学習アルゴリズムの開発を可能にする。
また、このアルゴリズムは複数のベンチマークRL問題に対していくつかの最先端のDRLアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-09-29T00:42:44Z) - Deep Reinforcement Learning for Exact Combinatorial Optimization:
Learning to Branch [13.024115985194932]
本稿では、強化学習(RL)パラダイムを用いた最適化において、データラベリングと推論の問題を解決するための新しいアプローチを提案する。
我々は模倣学習を用いてRLエージェントをブートストラップし、PPO(Proximal Policy)を使用してグローバルな最適なアクションを探索する。
論文 参考訳（メタデータ） (2022-06-14T16:35:58Z) - Scalable Deep Reinforcement Learning Algorithms for Mean Field Games [60.550128966505625]
平均フィールドゲーム (MFGs) は、非常に多くの戦略エージェントを持つゲームを効率的に近似するために導入された。
近年,モデルフリー強化学習(RL)手法を用いて,MFGの学習均衡の課題が活発化している。
MFGを解くための既存のアルゴリズムは戦略や$q$-valuesのような近似量の混合を必要とする。
本稿では,この欠点に対処する2つの手法を提案する。まず,歴史データの蒸留からニューラルネットワークへの混合戦略を学習し,Factitious Playアルゴリズムに適用する。
2つ目はオンライン混合方式である。
論文 参考訳（メタデータ） (2022-03-22T18:10:32Z) - Improving Generalization of Deep Reinforcement Learning-based TSP
Solvers [19.29028564568974]
本稿では,ディープラーニングアーキテクチャとDRL学習方法を含むMAGICという新しいアプローチを提案する。
マルチレイヤパーセプトロン,グラフニューラルネットワーク,アテンションモデルを統合したアーキテクチャでは,旅行セールスマンソリューションを逐次生成するポリシを定義している。
1) DRLポリシー更新をローカル検索とインターリーブし(新しいローカル検索技術を用いて)、(2) 新たなシンプルなベースラインを使用し、(3) 勾配学習を適用した。
論文 参考訳（メタデータ） (2021-10-06T15:16:19Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。
本稿では,更新ルール全体を検出するメタラーニング手法を提案する。
これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文 参考訳（メタデータ） (2020-07-17T07:38:39Z) - Reinforcement Learning for Combinatorial Optimization: A Survey [12.323976053967066]
最適化問題を解決する多くの伝統的なアルゴリズムは、解決を逐次構築する手工芸品を使用する。
強化学習(Reinforcement Learning, RL)は、エージェントを監督的または自己監督的な方法で訓練することにより、これらの検索を自動化する優れた代替手段を提案する。
論文 参考訳（メタデータ） (2020-03-07T16:19:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。