یادگیری بهینه سازی ترکیبی بر روی گراف ها: مروری با کاربردهایی در شبکه سازی

رویکردهای موجود برای حل مسائل بهینه سازی ترکیبی بر روی گراف ها با چالشی مواجه اند که برای هر مسئله نیاز به طراحی الگوریتم خاصی است، در حالی که مسائل عملی در بسیاری از موارد تکرار می شوند. در این زمینه، باید به جنبه های عملی علوم کامپیوتر نظری، مانند پیچیدگی محاسباتی، پرداخته شود. برای این منظور، پیشرفت های مرتبط در تحقیقات یادگیری ماشین بر روی گراف ها مورد بررسی قرار گرفته اند. ما ساختارهای مرتبط با یادگیری برای حل مسائل بهینه سازی ترکیبی را سازماندهی و مقایسه می کنیم، با توجه ویژه به حوزه مخابرات و توسعه مداوم شبکه های زنده و تحقیقاتی در این حوزه. هدف از این مقاله این است که ما به دنبال پاسخ به چند پرسش مرتبط هستیم: آیا یادگیری ماشین می تواند فرآیند یادگیری هیوریستیک ها را برای وظایف بهینه سازی ترکیبی خودکار کرده و این چالش ها را به طور کارآمد حل کند؟ روش های اصلی یادگیری ماشینی که برای حل این مسائل مرتبط با مشکلات عملی به کار گرفته می شوند کدام اند؟ کاربرد آن ها در حوزه های عملی چیست؟ به عبارت دیگر، هدف ما ارائه بینش هایی است که نشان دهد چگونه می توان از یادگیری ماشین برای حل مسائل بهینه سازی ترکیبی بر روی گراف ها استفاده کرد و چگونه این تکنیک ها را برای چالش های مشابه در حوزه مخابرات به کار گرفت.

کلیدواژه ها:

بهینه سازی ترکیبی ، تعبیه های گراف ، یادگیری تقویتی ، یادگیری عمیق ، شبکه های ارتباطی ، مدیریت منابع