研究人员开发了DyNACO，一个用于蚁群优化（ACO）的动态神经引导新框架。该方法通过允许策略根据实时信息素分布和现有解进行调整，解决了静态训练策略与迭代搜索过程之间的不匹配问题。DyNACO已证明其可扩展至大规模旅行商问题（TSP）和车辆路径问题（CVRP），性能优于现有的神经方法，并经常改进无引导求解器的性能。 AI
影响 引入了一种新颖的学习引导优化方法，有望提高复杂组合问题的效率。
排序理由 该集群包含一篇详细介绍新优化方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.04039v1 Announce Type: cross Abstract: Neural-guided Ant Colony Optimization (ACO) suffers from a fundamental training-inference misalignment: policies are typically trained to generate static priors (e.g., heatmaps), yet deployed to guide iterative, long-horizon searc…
Neural-guided Ant Colony Optimization (ACO) suffers from a fundamental training-inference misalignment: policies are typically trained to generate static priors (e.g., heatmaps), yet deployed to guide iterative, long-horizon search processes. In this paper, we present DyNACO, a n…