WeCon：一种高效的基于权重条件的神经求解器，用于多目标组合优化问题

背景与问题

现有的多目标组合优化问题（MOCOPs）的神经求解器通常采用分解策略，即将 MOCOP 分解成多个子问题，每个子问题对应不同的权重向量。然而，这些方法在加权条件上下文建模方面存在局限性：要么仅在解码阶段注入一次权重，限制了权重条件下的背景信息处理；要么主要在编码阶段注入权重，在解码阶段会导致信号稀释。

核心内容

为了解决上述问题，WeCon 提出了一种加权条件神经求解器。具体而言：

• 编码阶段：设计了一个包含三个注意力块的编码层和一个 Gated Residual Fusion (GRF) 块，以促进实例特征与权重之间的和谐交互，生成具有信息量的加权条件上下文。

• 解码阶段：引入了插拔式残差融合（RF）块来缓解权重信号稀释的问题。

此外，WeCon 还提出了高效的偏好优化（EPO），其通过构建高质量解决方案来提高训练效果。EPO 的关键在于通过随机采样生成更具信息量的解决对。

意义与影响

实验结果：在四种 MOCOP 变体上进行实验，覆盖不同规模和分布模式的问题。WeCon 在 HyperVolume (HV) 值方面表现出色，并且推理时间降低了 40%，证明了其优越性。

贡献验证：通过消融研究进一步验证了所有设计的贡献。整体而言，WeCon 提供了一种新颖的方法来处理 MOCOPs，为解决此类问题提供了有效的路径。