論文の概要: Destroy and Repair Using Hyper Graphs for Routing

• arxiv url: http://arxiv.org/abs/2502.16170v1
• Date: Sat, 22 Feb 2025 10:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 22:36:56.017286
• Title: Destroy and Repair Using Hyper Graphs for Routing
• Title（参考訳）: ハイパーグラフによるルーティングの破壊と修復
• Authors: Ke Li, Fei Liu, Zhengkun Wang, Qingfu Zhang,
• Abstract要約: ハイパーグラフに基づくDestroy-and-Repairフレームワークを提案する。 このフレームワークは連続した連続したエッジをハイパーエッジに減らし、モデルが破壊された部分により多くの注意を払って、すべてのノードを符号化する複雑さを減らします。
• 参考スコア（独自算出の注目度）: 14.391263435675587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in Neural Combinatorial Optimization (NCO) have shown promise in solving routing problems like the Traveling Salesman Problem (TSP) and Capacitated Vehicle Routing Problem (CVRP) without handcrafted designs. Research in this domain has explored two primary categories of methods: iterative and non-iterative. While non-iterative methods struggle to generate near-optimal solutions directly, iterative methods simplify the task by learning local search steps. However, existing iterative methods are often limited by restricted neighborhood searches, leading to suboptimal results. To address this limitation, we propose a novel approach that extends the search to larger neighborhoods by learning a destroy-and-repair strategy. Specifically, we introduce a Destroy-and-Repair framework based on Hyper-Graphs (DRHG). This framework reduces consecutive intact edges to hyper-edges, allowing the model to pay more attention to the destroyed part and decrease the complexity of encoding all nodes. Experiments demonstrate that DRHG achieves stateof-the-art performance on TSP with up to 10,000 nodes and shows strong generalization to real-world TSPLib and CVRPLib problems.
• Abstract（参考訳）: ニューラルコンビニアル最適化(NCO)の最近の進歩は、TSP(Traveing Salesman Problem)やCVRP(Capacitated Vehicle Routing Problem)といった、手作りデザインのないルーティング問題の解決において有望であることを示している。 この領域の研究は、イテレーティブ(イテレーティブ)と非イテレーティブ(非イテレーティブ)の2つの主要なカテゴリを探求してきた。 非定位的手法は最適に近い解を直接生成するのに苦労するが、反復的手法は局所的な探索手順を学習することでタスクを単純化する。 しかし、既存の反復法は、しばしば制限された近傍探索によって制限され、最適以下の結果をもたらす。 この制限に対処するため,我々は,破壊・修復戦略を学習することで,大規模地区への探索を拡大する新しいアプローチを提案する。 具体的には,ハイパーグラフ(DRHG)に基づくDestroy-and-Repairフレームワークを紹介する。 このフレームワークは連続した連続したエッジをハイパーエッジに減らし、モデルが破壊された部分により多くの注意を払って、すべてのノードを符号化する複雑さを減らします。 実験により、DRHGは最大10,000ノードのTSP上での最先端のパフォーマンスを実現し、現実世界のTSPLibやCVRPLib問題への強力な一般化を示す。

関連論文リスト

• TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems [43.89334324926175]
  TuneNSearchは、異なる車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習とローカル検索アプローチである。 われわれはまず,多目的VRP上で強化学習モデルを事前訓練し,その後,異なる変種に適応するための簡単な微調整を施した。 結果は、TuneNSearchが各VRPでトレーニングされた既存の最先端モデルよりも優れており、トレーニングエポックの5分の1しか必要としていないことを示している。
  論文  参考訳（メタデータ） (2025-03-16T21:34:11Z)
• Towards Constraint-Based Adaptive Hypergraph Learning for Solving Vehicle Routing: An End-to-End Solution [4.965709007367529]
  車両の経路問題は、広大な解空間と複雑な制約によって特徴づけられる。 本研究では,制約指向のハイパーグラフと強化学習を組み合わせた新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T14:42:44Z)
• L2R: Learning to Reduce Search Space for Generalizable Neural Routing Solver [12.396576646539252]
  構成的ニューラル最適化(NCO)は、手作りのルールに頼ることなく複雑なルーティング問題を解決する能力によって、研究の注目を集めている。 既存のNCO手法は、計算の複雑さと構造パターンの非効率な捕捉により、大規模問題に一般化する際の課題に直面している。 建設的NCOプロセスの各ステップにおいて,少数の有望な候補ノードを適応的に選択する,学習に基づく探索空間削減手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T03:25:09Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Spatial-temporal-demand clustering for solving large-scale vehicle routing problems with time windows [0.0]
  本稿では,クラスタリングを用いて顧客をグループ化するDRI(Decompose-route-improve)フレームワークを提案する。 その類似度基準は、顧客の空間的、時間的、需要データを含む。 本研究では,解答サブプロブレム間でプルーンド局所探索(LS)を適用し,全体の解法を改善する。
  論文  参考訳（メタデータ） (2024-01-20T06:06:01Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• GLOP: Learning Global Partition and Local Construction for Solving Large-scale Routing Problems in Real-time [17.450373393248984]
  GLOPは、大規模なルーティング問題に対して効率的にスケールする統一階層型フレームワークである。 粗粒度問題分割のための非自己回帰ニューラルと、細粒度経路構築のための自己回帰ニューラルを初めてハイブリダイズする。 実験により、GLOPは大規模ルーティング問題において、競争力と最先端のリアルタイム性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-12-13T15:46:58Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Decision Diagram-Based Branch-and-Bound with Caching for Dominance and Suboptimality Detection [9.175779296469194]
  本稿では動的プログラミングモデルの構造を利用して探索を高速化する新しい要素を提案する。 鍵となる考え方は、検索中にキャッシュされた拡張しきい値に問い合わせることによって、同じ動的プログラミング状態に対応するノードの繰り返し拡張を防止することである。 このキャッシング機構によって引き起こされるプルーニングは、アルゴリズムによって拡張されたノード数を著しく削減できることを示す実験である。
  論文  参考訳（メタデータ） (2022-11-22T10:18:33Z)
• RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
  深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。 本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-17T11:06:29Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)

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。