論文の概要: Cascaded Large-Scale TSP Solving with Unified Neural Guidance: Bridging Local and Population-based Search

• arxiv url: http://arxiv.org/abs/2501.14285v1
• Date: Fri, 24 Jan 2025 06:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:04.658439
• Title: Cascaded Large-Scale TSP Solving with Unified Neural Guidance: Bridging Local and Population-based Search
• Title（参考訳）: 統一型ニューラルネットワークによる大規模TSP解法:局所的および集団的探索
• Authors: Shengcai Liu, Haoze Lv, Zhiyuan Wang, Ke Tang,
• Abstract要約: UNiCSは、旅行セールスマン問題に対する新しい統合神経誘導型カスケード解決器である。 ステート・オブ・ザ・アーティカルなメソッドを一貫して上回り、ランタイムのアドバンテージはさまざまな予算で一貫しています。
• 参考スコア（独自算出の注目度）: 23.528483405321975
• License:
• Abstract: The traveling salesman problem (TSP) is a fundamental NP-hard optimization problem. This work presents UNiCS, a novel unified neural-guided cascaded solver for solving large-scale TSP instances. UNiCS comprises a local search (LS) phase and a population-based search (PBS) phase, both guided by a learning component called unified neural guidance (UNG). Specifically, UNG guides solution generation across both phases and determines appropriate phase transition timing to effectively combine the complementary strengths of LS and PBS. While trained only on simple distributions with relatively small-scale TSP instances, UNiCS generalizes effectively to challenging TSP benchmarks containing much larger instances (10,000-71,009 nodes) with diverse node distributions entirely unseen during training. Experimental results on the large-scale TSP instances demonstrate that UNiCS consistently outperforms state-of-the-art methods, with its advantage remaining consistent across various runtime budgets.
• Abstract（参考訳）: トラベルセールスマン問題(TSP)は基本的なNPハード最適化問題である。 この研究は、大規模なTSPインスタンスを解くための新しい統合ニューラルネットワーク誘導カスケード解決器であるUNiCSを提示する。 UNiCSはローカルサーチ(LS)フェーズと人口ベースサーチ(PBS)フェーズで構成されており、どちらも統一神経誘導(UNG)と呼ばれる学習コンポーネントによってガイドされている。 具体的には、UNGは両相の溶液生成をガイドし、LSとPBSの相補的な強度を効果的に組み合わせる適切な相転移タイミングを決定する。 比較的小規模のTSPインスタンスを持つ単純なディストリビューションのみをトレーニングする一方で、UNiCSはトレーニング中に全く見えない多様なノード分布を持つ、はるかに大きなインスタンス(10,000-71,009ノード)を含むTSPベンチマークを効果的に一般化する。 大規模なTSPインスタンスの実験結果から、UNiCSは最先端の手法を一貫して上回り、その優位性は様々なランタイム予算で一貫して維持されていることが示されている。

関連論文リスト

• Distributed Noncoherent Joint Transmission Based on Multi-Agent Reinforcement Learning for Dense Small Cell MISO Systems [8.146481327854545]
  マルチアンテナ小セル基地局(SBS)が共有帯域上でデータを送信する高密度小セルネットワークを考察する。
  論文  参考訳（メタデータ） (2024-08-22T02:11:14Z)
• Connecting the Dots: Is Mode-Connectedness the Key to Feasible Sample-Based Inference in Bayesian Neural Networks? [9.332937821095653]
  ベイズニューラルネットワークに対するサンプルベース推論(SBI)における大きな課題は、ネットワークのパラメータ空間のサイズと構造である。 重みと関数空間の特徴的関係を取り入れることで,SBIを成功させることが可能であることを示す。 本稿では、競合性能と不確実性定量化のための効果的な解として、ディープアンサンブルアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-02T15:12:16Z)
• Pointerformer: Deep Reinforced Multi-Pointer Transformer for the Traveling Salesman Problem [67.32731657297377]
  トラベリングセールスマン問題(TSP)は、もともと輸送と物流の領域で発生した古典的な経路最適化問題である。 近年, 深層強化学習は高い推論効率のため, TSP の解法として採用されている。 本稿では,多点変換器をベースとした新しいエンドツーエンドDRL手法であるPointerformerを提案する。
  論文  参考訳（メタデータ） (2023-04-19T03:48:32Z)
• H-TSP: Hierarchically Solving the Large-Scale Travelling Salesman Problem [11.310986634385742]
  本稿では,大規模トラベリングセールスマン問題(TSP)に対処する階層的強化学習(H-TSP)に基づくエンドツーエンド学習フレームワークを提案する。 我々は,H-TSPがSOTA検索に匹敵する結果が得られることを示し,時間消費を2桁まで削減する(3.32s vs. 395.85s)。 ソリューションの品質に関してはまだSOTAの結果にギャップがあるが、H-TSPは実用的なアプリケーション、特にオンコールルーティングや乗車などの時間に敏感なアプリケーションに有用であると考えている。
  論文  参考訳（メタデータ） (2023-04-19T03:10:30Z)
• Coupling Global Context and Local Contents for Weakly-Supervised Semantic Segmentation [54.419401869108846]
  Weakly Supervised Semantic (WSSS)モデルを提案する。 グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。 局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
  論文  参考訳（メタデータ） (2023-04-18T15:29:23Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Learning to Solve Travelling Salesman Problem with Hardness-adaptive Curriculum [42.28343071442175]
  本稿では,既存手法の10倍の精度でインスタンスを生成するハードネス適応型ジェネレータを提案する。 提案手法は, 最適性ギャップの観点から, 最先端モデルに対する大幅な改善を実現する。
  論文  参考訳（メタデータ） (2022-04-07T05:59:05Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Learning to Optimise General TSP Instances [2.6782615615913348]
  トラベリングセールスマン問題(TSP)は古典的な最適化問題である。 ディープラーニングはメタラーニングに成功し、過去の問題解決活動が将来のインスタンスを最適化する方法を学ぶのに役立つ。 本稿では,多種多様なTSP問題を解くための学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-23T07:37:16Z)
• 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)
• A Unified Theory of Decentralized SGD with Changing Topology and Local Updates [70.9701218475002]
  分散通信方式の統一収束解析を導入する。 いくつかの応用に対して普遍収束率を導出する。 私たちの証明は弱い仮定に依存している。
  論文  参考訳（メタデータ） (2020-03-23T17:49:15Z)

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。