パート 1: 概要と背景
1. 背景の紹介
巡回セールスマン問題 (TSP) は、組み合わせ最適化における古典的な問題です。簡単に言うと、TSP 問題は、巡回セールスマンが 1 つの都市から出発し、他のすべての都市を通過し、各都市を 1 回だけ訪問し、最初の都市に戻るまでの総移動距離が最短になるようにする方法を解くことです。
TSP 問題を解決できる従来のアルゴリズムは数多くありますが、深層学習テクノロジーの発展により、この種の問題に対処するためのより高度な方法が提供されるようになりました。ポインター ネットワークは、シーケンスツーシーケンス (seq2seq) モデルの変形です。出力シーケンスの長さが入力シーケンスと同じで、出力の各要素がシーケンス内の位置へのポインターである状況に適しています。入力シーケンス。
2. ポインタネットワークの概要
ポインター ネットワークは 2015 年に Vinyals らによって提案され、主に可変長シーケンスのソートなどの問題を解決するために使用されます。従来の seq2seq モデルは、固定サイズのボキャブラリを通じて出力シーケンスを予測しますが、TSP のような問題では、出力空間が入力サイズに応じて変化するため、従来の方法は適用できません。ポインタ ネットワークは、アテンション メカニズムを使用して入力シーケンス内の各位置の確率を生成し、それによって位置ポインタを直接出力します。
3. 強化学習とTSP
強化学習は、エージェントがその環境と対話することによってより良いパフォーマンスを発揮することを学習する機械学習のサブフィールドです。TSP のコンテキストでは、エージェントのタスクは最短の移動経路を見つけることです。次の訪問ポイントとして都市を選択するたびに、移動した合計距離が報酬となり、私たちの目標は報酬を最大化する (つまり、合計距離を最小化する) ことです。