Řešení směrovacích problémů založené na učení

Abstract

Na problém obchodního cestujícího spadající do kombinatorické optimalizace existuje mnoho optimálních a heuristických přístupů. V současné době byly pro jeho řešení navrženy různé metody strojového učení, které však svými výsledky nemohou konkurovat nejmodernějším algoritmům. V této práci je navržena nová hybridní metoda kombinující strojové učení založené na modelu pozornosti a metodě GSOA, která využívá výhody obou přístupů. Na základě nejpodobnější instance z již předem vyřešených řešení hybridní přístup inicializuje konstruktivní heuristiku. Využití podobných řešení ukazuje, že metoda GSOA dokáže najít lepší řešení než pouhé použití modelu pozornosti nebo metody GSOA.

The Traveling Salesman Problem (TSP) is a de facto standard benchmark in combinatorial optimization with many existing optimal and heuristic solvers. Nowadays, machine learning approaches have been proposed to address the TSP; however, their performance cannot compete with state-of-the-art methods. In the thesis, a novel hybrid method combining machine learning based on the attention model and the existing unsupervised learning-based GSOA method is proposed leveraging the advantages of both approaches. The hybrid approach initializes a construction heuristic based on retrieving the most similar instance from already pre-solved solutions. The retrieved similar solution shows that GSOA can find better solutions than solely using the attention model and GSOA method.