靠机器学习+组合优化就发了CCF-A

这两年机器学习求解组合优化问题领域取得了显著的进展。ICLR、ICML、NeurIPS等顶会都有多篇成果发表。

组合优化:它是一种寻找一组变量的最佳组合的方法,以最小化或最大化一个目标函数。组合优化问题通常具有大量的状态和选择,需要在有限的时间内找到最优解。这类问题广泛存在于计算机科学、数学、经济学、工程等领域,如旅行商问题、最短路问题、资源分配问题等。

机器学习:它关注于从数据中学习出模式,以便进行预测或分类。机器学习方法包括监督学习、无监督学习和强化学习等,能够处理和分析大量的数据集。 整理了一些值得学习的最新成果分享,论文以及开源代码也列上了,方便同学们复现

我给大家准备了10种创新思路和源码,一起来看有需要的搜索人人人人人人人工重号(AI科技探寻)免费领取

论文1

标题:

Revocable Deep Reinforcement Learning with Affinity Regularization for Outlier-Robust Graph Matching

可撤销深度强化学习与亲和力正则化用于抗异常值的图匹配

法:

  • 可撤销深度强化学习(RGM):提出了一种基于深度强化学习的图匹配方法,通过序贯节点匹配方案自然适应选择性内点匹配策略,避免匹配异常值。

  • 可撤销动作框架:设计了一种可撤销动作机制,允许代理在匹配过程中撤销之前的错误决策,提高灵活性。

  • 亲和力正则化:提出了一种基于二次近似的亲和力正则化技术,通过为匹配分数引入惩罚项,避免匹配异常值。

  • 关联图表示:将输入图对转换为关联图,将图匹配问题转化为组合优化问题,利用关联图的结构信息进行学习。

创新点:

  • 序贯节点匹配:通过序贯决策自然选择内点对应关系,避免匹配异常值,相比传统一次性匹配方法,能够更好地处理异常值问题。

  • 可撤销动作机制:允许代理在匹配过程中撤销错误决策,实验表明其性能优于现有的局部重写框架,能够有效提高匹配精度。

  • 亲和力正则化:通过二次近似技术对亲和力分数进行正则化,避免匹配异常值,实验表明该方法能够显著提高匹配的鲁棒性,F1 分数相比传统方法提升了约 4%。

  • 后端求解器学习:专注于学习图匹配的后端求解器,与现有的前端特征学习方法正交,可以进一步提升前端学习求解器的性能。

论文2

标题:

SurCo: Learning Linear Surrogates for Combinatorial Nonlinear Optimization Problems

SurCo:学习线性代理用于组合非线性优化问题

法:

  • 线性代理成本学习(SurCo):提出了一种学习线性代理成本的方法,通过线性代理求解器输出对原始非线性成本函数最优的解。

  • 端到端训练:通过反向传播通过线性代理求解器,优化代理成本,结合梯度下降方法进行端到端训练。

  • SurCo 变体:提出了三种变体,包括 SurCo-zero(针对单个非线性问题)、SurCo-prior(针对问题分布)和 SurCo-hybrid(结合分布和问题特定信息)。

  • 理论分析:通过理论分析,证明了预测代理成本比直接预测最优解具有更好的样本复杂度。

创新点:

  • 线性代理求解:通过学习线性代理成本,利用高效的组合求解器解决非线性优化问题,相比直接优化非线性成本,SurCo-zero 在多个实际问题中找到了更好的解。

  • 离线训练与在线优化:SurCo-prior 通过离线训练学习代理成本模型,避免了在线优化的高计算成本,SurCo-hybrid 进一步通过在线微调提升性能。

  • 样本复杂度优化:理论分析表明,预测代理成本的方法比直接预测最优解具有更小的 Lipschitz 常数,从而降低了样本复杂度。

  • 性能提升:在嵌入表分片、逆光子设计和非线性路径规划等实际问题中,SurCo 的性能优于现有的最先进方法,例如在嵌入表分片中,SurCo-zero 的延迟比基线方法降低了约 10%。

论文3

标题:

Towards Quantum Machine Learning for Constrained Combinatorial Optimization: a Quantum QAP Solver

面向约束组合优化的量子机器学习:量子 QAP 求解器

方法:
  • 量子神经网络(QAP-QNN):提出了一种量子神经网络,将 QAP 转化为受约束的顶点分类任务,通过量子电路学习每个顶点的特征表示。

  • 节点排列不变性:设计了排列不变的量子神经网络,确保网络输出与顶点排列顺序无关。

  • 辅助约束层:通过量子电路显式建模 QAP 的匹配约束,确保解的可行性。

  • 量子感知机层:使用参数化的量子电路作为量子感知机,学习每个顶点的特征表示。

创新点:

  • 量子神经网络:提出了第一个用于解决约束组合优化问题的量子神经网络,能够学习到比传统方法更优的解。

  • 节点排列不变性:通过量子感知机层和辅助约束层的设计,确保了网络的排列不变性,提高了模型的泛化能力。

  • 性能提升:在图匹配和旅行商问题上,QAP-QNN 的性能优于现有的经典和量子方法,例如在图匹配任务中,QAP-QNN 的准确率比传统方法提高了约 10%。

  • 量子优势:展示了量子计算在解决约束组合优化问题中的潜力,为未来量子机器学习在该领域的应用提供了新的方向

论文4

标题:

DeepACO: Neural-enhanced Ant Systems for Combinatorial Optimization

DeepACO:用于组合优化的神经增强蚁群系统

法:

  • 神经增强蚁群优化(DeepACO):提出了一种基于深度强化学习的蚁群优化框架,自动设计启发式规则,增强现有蚁群优化算法。

  • 启发式学习器:通过图神经网络(GNN)学习问题特定的启发式规则,指导蚁群优化的解构造过程。

  • 神经引导的局部搜索(NLS):结合局部搜索和神经引导的扰动,优化解的质量并避免局部最优。

  • 多头解码器和熵损失:提出多头解码器和熵损失,增强探索能力,平衡探索与利用。

创新点

  • 自动启发式设计:通过深度强化学习自动设计启发式规则,减少了人工设计的复杂性和依赖性,相比传统蚁群优化方法,DeepACO 在多个组合优化问题上的性能提升了约 10%。

  • 通用性:DeepACO 是一种通用的神经增强框架,能够应用于多种组合优化问题,包括路径规划、调度和子集选择问题。

  • 性能提升:在旅行商问题(TSP)和车辆路径问题(CVRP)等经典组合优化问题上,DeepACO 的性能优于现有的蚁群优化算法和专门的神经组合优化方法。

  • 灵活性:DeepACO 可以扩展到不同的信息素模型,并且能够通过简单的调整适应不同的问题规模和类型。

相关推荐
BFT白芙堂6 分钟前
睿尔曼系列机器人——以创新驱动未来,重塑智能协作新生态(上)
人工智能·机器学习·机器人·协作机器人·复合机器人·睿尔曼机器人
aneasystone本尊12 分钟前
使用 MCP 让 Claude Code 集成外部工具
人工智能
静心问道22 分钟前
SEW:无监督预训练在语音识别中的性能-效率权衡
人工智能·语音识别
xwz小王子28 分钟前
从LLM到WM:大语言模型如何进化成具身世界模型?
人工智能·语言模型·自然语言处理
我爱一条柴ya29 分钟前
【AI大模型】深入理解 Transformer 架构:自然语言处理的革命引擎
人工智能·ai·ai作画·ai编程·ai写作
静心问道30 分钟前
FLAN-T5:规模化指令微调的语言模型
人工智能·语言模型·自然语言处理
李师兄说大模型31 分钟前
KDD 2025 | 地理定位中的群体智能:一个多智能体大型视觉语言模型协同框架
人工智能·深度学习·机器学习·语言模型·自然语言处理·大模型·deepseek
静心问道31 分钟前
SqueezeBERT:计算机视觉能为自然语言处理在高效神经网络方面带来哪些启示?
人工智能·计算机视觉·自然语言处理
Sherlock Ma32 分钟前
百度开源文心一言4.5:论文解读和使用入门
人工智能·百度·自然语言处理·开源·大模型·文心一言·多模态
weisian15137 分钟前
人工智能-基础篇-18-什么是RAG(检索增强生成:知识库+向量化技术+大语言模型LLM整合的技术框架)
人工智能·语言模型·自然语言处理