論文の概要: DeepACO: Neural-enhanced Ant Systems for Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2309.14032v2
• Date: Sat, 4 Nov 2023 17:17:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 20:49:37.521397
• Title: DeepACO: Neural-enhanced Ant Systems for Combinatorial Optimization
• Title（参考訳）: DeepACO: 組合せ最適化のためのニューラルネットワークAntシステム
• Authors: Haoran Ye, Jiarui Wang, Zhiguang Cao, Helan Liang, Yong Li
• Abstract要約: Ant Colony Optimization (ACO)は、様々な組合せ問題(COP)に適用されたメタヒューリスティックアルゴリズムである。 本稿では,DeepACOを提案する。DeepACOは,深層強化学習を利用して設計を自動化する汎用フレームワークである。 ニューラル強化されたメタヒューリスティックとして、DeepACOは一貫して8つのCOPでACOに勝っている。
• 参考スコア（独自算出の注目度）: 19.253756868824055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ant Colony Optimization (ACO) is a meta-heuristic algorithm that has been successfully applied to various Combinatorial Optimization Problems (COPs). Traditionally, customizing ACO for a specific problem requires the expert design of knowledge-driven heuristics. In this paper, we propose DeepACO, a generic framework that leverages deep reinforcement learning to automate heuristic designs. DeepACO serves to strengthen the heuristic measures of existing ACO algorithms and dispense with laborious manual design in future ACO applications. As a neural-enhanced meta-heuristic, DeepACO consistently outperforms its ACO counterparts on eight COPs using a single neural architecture and a single set of hyperparameters. As a Neural Combinatorial Optimization method, DeepACO performs better than or on par with problem-specific methods on canonical routing problems. Our code is publicly available at https://github.com/henry-yeh/DeepACO.
• Abstract（参考訳）: Ant Colony Optimization (ACO) は、様々な組合せ最適化問題(COP)に適用されたメタヒューリスティックアルゴリズムである。 伝統的に、特定の問題に対してACOをカスタマイズするには、知識駆動ヒューリスティックスの専門家設計が必要である。 本稿では,深層強化学習を用いてヒューリスティック設計を自動化する汎用フレームワークdeepacoを提案する。 DeepACOは、既存のACOアルゴリズムのヒューリスティックな対策を強化し、将来のACOアプリケーションにおける厳しい手動設計を不要にする。 ニューラル強化されたメタヒューリスティックとして、DeepACOは1つのニューラルアーキテクチャと1セットのハイパーパラメータを使用して、8つのCOPでACOの能力を上回っている。 Neural Combinatorial Optimization法として、DeepACOは標準ルーティング問題における問題固有の手法と同等以上の性能を発揮する。 私たちのコードはhttps://github.com/henry-yeh/DeepACO.comで公開されています。

関連論文リスト

• UNCO: Towards Unifying Neural Combinatorial Optimization through Large Language Model [21.232626415696267]
  1つのモデルで異なるタイプの最適化問題(COP)を解決するために、統一的なニューラルネットワーク最適化フレームワークを提案する。 我々は自然言語を用いて、異なるCOPに対してテキスト分散インスタンスを定式化し、それらを大言語モデル(LLM)によって同じ埋め込み空間にエンコードする。 実験により、UNCOモデルはシングルセッショントレーニング後に複数のCOPを解決でき、伝統的なベースラインや学習ベースのベースラインに匹敵する満足なパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2024-08-22T08:42:44Z)
• MARCO: A Memory-Augmented Reinforcement Framework for Combinatorial Optimization [44.24494442399324]
  本稿では,MARCO(Memory-Augmented Reinforcement for Combinatorial Optimization)と呼ばれる多機能フレームワークを紹介する。 MARCOは最適化軌道全体を通して収集されたデータを格納し、各状態におけるコンテキスト関連情報を検索する。 NCOモデルの並列性により、複数の検索スレッドが同時に動作し、すべて同じメモリモジュールを共有することができる。
  論文  参考訳（メタデータ） (2024-08-05T03:15:21Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• Instance-Conditioned Adaptation for Large-scale Generalization of Neural Combinatorial Optimization [15.842155380912002]
  本研究は,ニューラル最適化の大規模一般化のための新しいインスタンス・コンディション適応モデル(ICAM)を提案する。 特に,NCOモデルのための強力なインスタンス条件付きルーティング適応モジュールを設計する。 我々は,ラベル付き最適解を使わずに,モデルがクロススケールな特徴を学習することのできる,効率的な3段階強化学習ベーストレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-03T08:00:19Z)
• RL4CO: an Extensive Reinforcement Learning for Combinatorial Optimization Benchmark [69.19502244910632]
  深部強化学習(RL)は、最適化(CO)問題を解く上で大きな利点を示している。 RL4COは,23の最先端メソッドと20以上のCO問題を含む,詳細なライブラリカバレッジを備えた統一ベンチマークである。 効率的なソフトウェアライブラリと実装のベストプラクティスに基づいて構築されたRL4COは、モジュール化された実装と、多様なRLアルゴリズム、ニューラルネットワークアーキテクチャ、推論技術、環境の柔軟な構成を備えている。
  論文  参考訳（メタデータ） (2023-06-29T16:57:22Z)
• On the Generalization of Neural Combinatorial Optimization Heuristics [0.7049738935364298]
  提案手法は,2つの最先端モデルの一般化を著しく改善することを示す。 我々は、個別の学習課題として、与えられたインスタンス分布上でのCO問題の解法を定式化する。 新しいタスクに適応する能力の最適化を目的として,様々なタスクのモデル学習のためのメタラーニング手法について検討する。
  論文  参考訳（メタデータ） (2022-06-01T22:39:35Z)
• Improving Ant Colony Optimization Efficiency for Solving Large TSP Instances [0.0]
  我々は新しいAnt Colony Optimization(ACO)、すなわちFocused ACO(FACO)を提案する。 FACOは、新しく構築されたソリューションと選択された前のソリューションの差の数を制御するメカニズムである。 このメカニズムにより、より焦点を絞った検索プロセスが実現し、既存のソリューションの品質を維持しながら改善点を見つけることができる。
  論文  参考訳（メタデータ） (2022-03-04T10:26:02Z)
• Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization [111.78035414744045]
  我々は,最適解法に対する敵攻撃と防御のメカニズムの開発を主導する。 本稿では, グラフ構造を改良し, 解法の堅牢性を高めるための, 単純かつ効果的な防衛戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-28T15:10:15Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• CATCH: Context-based Meta Reinforcement Learning for Transferrable Architecture Search [102.67142711824748]
  CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。 メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。 また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
  論文  参考訳（メタデータ） (2020-07-18T09:35:53Z)
• SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
  SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
  論文  参考訳（メタデータ） (2020-07-09T17:08:44Z)

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。