0-基于蚁群优化和带注意力机制的循环神经网络的新型混合算法用于解决旅行商问题(HAL science)(完)
文章目录
- Abstract
- I INTRODUCTION
- II 旅行商问题的正式描述
- III STATE OF THE ART
- IV 使用的混合化技术原理
- 4.1 Principle of ACO
- 4.2具有注意机制的自动编码器模型
- V 蚁群优化与具有注意机制的神经网络的混合
- 5.1 基本思想
- 5.2 解决步骤
- 5.2.1 模型训练
- 5.2.2 寻找解
- VI EXPERIMENTS
- 6.1 实施环境
- 6.2 结果和分析
- VII CONCLUSION AND REFERENCES
- 7.1 Discussion
- 7.2 结论
Abstract
在这篇论文中，我们提出了一种用于解决对称旅行商问题的混合方法。该方法将蚁群算法（ACO）与基于注意力机制的循环神经网络（RNN）相结合。其核心思想是利用循环神经网络的预测能力来指导蚂蚁选择下一个要访问的城市，并使用这些预测结果来更新信息素矩阵，从而提高所获得解的质量。具体来说，通过注意力机制同时考虑距离和信息素信息，将注意力集中在最有希望的城市上，这使得可以根据每个城市的相关性为其分配权重。然后，这些权重用于预测每个城市接下来要访问的城镇。在TSPLIB库中的TSP实例上的实验结果表明，这种混合方法优于传统的ACO。
I INTRODUCTION
在机器人领域，运动和路径规划在完成复杂任务中起着至关重要的作用。机器人通常需要进行高效和优化的移动，以到达不同的兴趣点、收集信息或与环境互动。在机器人技术中解决旅行商问题（TSP）可以提高机器人的操作效率，通过减少旅行时间和不必要的移动来实现。然而，TSP被认为是一个NP-hard问题[8, 12]，这意味着没有算法能够在合理的时间内解决它。