Key points are not available for this paper at this time.
Das Quadratic Assignment Problem (QAP) ist ein praktisches kombinatorisches Optimierungsproblem, das seit mehreren Jahren untersucht wird. Da es NP-schwer ist, ist die Lösung großer Probleminstanzen des QAP herausfordernd. Obwohl Heuristiken semi-optimale Lösungen finden können, steigt die Ausführungszeit erheblich an, wenn die Problematik größer wird. In letzter Zeit hat das Lösen kombinatorischer Optimierungsprobleme durch Deep Learning als schnellere Lösung als Heuristiken an Interesse gewonnen. Selbst mit Deep Learning ist das Lösen großer QAP jedoch weiterhin herausfordernd. In diesem Papier schlagen wir das tiefenverstärkende Lernmodell namens Zwei-Stufen-Graph-Zeiger-Netzwerk (GPN) zur Lösung des QAP vor. Das Zwei-Stufen-GPN basiert auf GPN, das für das Euclidean Traveling Salesman Problem (TSP) vorgeschlagen wurde. Zuerst erweitern wir GPN für allgemeine TSP und fügen dann neue Algorithmen zu diesem Modell zur Lösung des QAP hinzu. Unsere experimentellen Ergebnisse zeigen, dass unser Zwei-Stufen-GPN semi-optimale Lösungen für Benchmark-Probleminstanzen aus TSPlib und QAPLIB liefert.
Iida et al. (Sat,) haben diese Frage untersucht.