近年来,近年来,加强学习与图形神经网络(GNN)架构相结合,可以学会解决硬组合优化问题:给定原始输入数据和评估者指导过程,这个想法是自动学习策略返回可行和高质量的输出。最近的工作表明了有希望的结果,但后者主要在旅行推销员问题(TSP)和类似的抽象变体上进行评估,例如分割输送车辆路由问题(SDVRP)。在本文中,我们分析了如何以及最近的神经架构如何应用于实际重要性的图表问题。因此,我们将这些架构系统上“将这些架构转移到电力和信道分配问题(PCAP),其具有实际相关性,例如无线网络中的无线电资源分配。我们的实验结果表明现有的架构(I)仍然无法捕获图形结构特征,并且(II)不适合图表上的动作更改图形属性的问题。在一个积极的票据上,我们表明,增强了距离编码问题的结构表示是迈向学习多用途自主求解器的仍然雄心勃勃的目标的有希望的一步。
translated by 谷歌翻译