سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

مروری بر روش های ترکیبی یادگیری عمیق -فراابتکاری برای حل مشکلات طراحی شبکه دو سطحی

نویسندگان :

محمدحسین صادق¹ مهدی اکبری²

1- دانشگاه نجف آباد 2- دانشگاه نجف آباد

کلمات کلیدی :

یادگیری عمیق،بهینه سازی ترکیبی،طراحی شبکه های دو سطحی،یادگیری تقویتی،شبکه عصبی گرافی،الگوریتم فراابتکاری

چکیده :

در دهه های اخیر، ترکیب روش های یادگیری ماشین با بهینه سازی ترکیبی (Combinatorial Optimization) به یکی از چالش های پیشرو در هوش مصنوعی و پژوهش های عملیاتی تبدیل شده است.هدف این رویکرد ها توسعه الگوریتم هایی است که بتوانند از داده ها یادبگیرند تا مسائل پیچید NP hard را سریع تر و هوشمندانه تر حل کنند.مجموعه مقالاتی که بررسی شد، مسیر تکاملی این حوزه را از جستجو آماری پارامتر ها تا بهینه سازی دقیق بر پایه شبکه گرافی ترسیم می کنند.با معرفی روش Tree Structured Parzen Estimator در بهینه سازی ابرپارامتر ها نشان داد که یادگیری آماری می تواند جایگزین جستجو تصادفی یا دستی در فضاهای بزرگ پارامتر شود. این مفهوم در مقاله بعدی گسترش پیدا کرد و ثابت شد که شبکه عصبی ترتیبی می توانند بدون داده برچسب دار، تنها با یادگیری تقویتی و تابع پاداش، راه حل های تقریبی برای مسائل کلاسیکی مانندTSP و ... بیاموزند. در ادامه برای نخستین بار الگوریتم های حریصانه برای آموزش مستقیم ارائه شدند، که برای آموزش گراف های بزرگ مناسب بودند. بعد شاخه زنی گراف ها ارائه شدند که گراف های بزرگ را حرص کنند و فضای جستجو را کاهش دهند بدون آن که دقت یا بهینگی کاهش یابند. در آخر هم مدلی ارائه شد تا فضای جستجو مسائل دو سطحی را کوچکتر کند و زمان حل را چندین برابر کم کند. نتایج نشان می دهد که در هر پژوهش با برطرف سازی محدودیت های مقاله های پیشین، زمینه را برای پیشرفت بعدی را فراهم می کند.در نهایت، مقاله اصلی با تمرکز بر کارایی در کاربرد های واقعی و توسعه مدل های یادگیرنده ترکیبی مسیر این پیشرفت را کامل می کند.در سال 2020 ایده هایی مطرح شدند تا RL و GNNرا با هم ترکیب کند تا به جای فرایند دستی، بهینه سازی را از داده ها آموزش یابد.