【标题】Reinforcement Learning for Combinatorial Optimization: A Survey

【作者】Nina Mazyavkina, Sergey Sviridov, Sergei Ivanov, Evgeny Burnaev

【论文链接】https://arxiv.org/pdf/2003.03600.pdf

【发表日期】2020.12.24

【推荐理由】许多用于解决组合优化问题的传统算法都涉及使用手工设计的启发式方法，以依次构建解决方案。这类启发式算法是由领域专家设计的，由于问题的困难性，此类方法往往是次优的。强化学习（RL）提出了一个很好的替代方法，通过训练一个代理在监督或自我监督的方式来自动搜索这些启发式算法。在这篇综述探讨了最近的进展，应用RL框架的硬组合问题。本研究综述为运筹学和机器学习社区提供了必要的背景，并展示了推动该领域向前发展的工作。在文中展现了最近提出的RL方法，列出了每个问题的改进时间表，并与传统算法进行了比较，表明RL模型可以成为解决组合问题的一个很有希望的方向。

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