PaperWeekly  | 王馨月

学校 | 四川大学本科生

研究方向 自然语言处理

许多解决组合优化问题的传统算法都涉及使用手工构造的启发式算法，这些启发式算法能够依次地构造解决方案。这种启发式方法是由领域专家设计的，且一般由于问题的困难性，这种方法不是最佳的。强化学习（RL）提出了一种很好的选择，使用监督或自我监督的方式训练 agent 来自动搜索这些启发式方法。
在这篇调研中，我们探索了将 RL 框架应用于困难的组合问题的最新进展。我们的调研为运筹学和机器学习社区提供了必要的背景，并展示了推动领域向前发展的工作。我们将最近提出的 RL 方法并置在一起，列出了每个问题改进方法的时间线，并与传统算法进行了比较，这表明 RL 模型可以成为解决组合问题的有希望的方向。
  • 论文标题：Reinforcement Learning for Combinatorial Optimization: A Survey
  • 论文作者：Nina Mazyavkina, Sergey Sviridov, Sergei Ivanov, Evgeny Burnaev
  • 论文链接：https://arxiv.org/abs/2003.03600

感兴趣的可以继续戳原文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除