计算机应用研究

作者：李成健,宋姝谊,陈智斌,

单位：昆明理工大学理学院,昆明650500；

关键词：多目标组合优化,深度强化学习,算例增强技术,多起点策略,Das和Dennis分解策略,

基金：国家自然科学基金资助项目(12361065,11761042)；人工智能赋能典籍翻译与传播创新团队资助项目(KGZSCXTD2025004)；；

针对多目标组合优化问题中解集多样性不足与全局搜索能力有限的挑战，提出了一种多起点神经组合优化框架MONCO，旨在提升深度学习方法在多目标组合优化任务中的性能与泛化能力。该方法融合多起点推理机制、强化学习策略与算例增强技术，实现多解的并行探索，并通过引入Das和Dennis分解策略对目标空间进行均匀覆盖，以更好地逼近帕累托前沿。实验在典型多目标问题MOTSP、MOCVRP和MOKP上进行评估，结果显示MONCO在解的质量与跨规模适应性方面整体优于选取的部分代表性深度学习方法和传统优化方法。在Bi-TSP100问题中，MONCO-Aug的HV值为0.682，gap为0%，显著超过NSGA-Ⅱ和MOEA/D；在Bi-CVRP200问题中，MONCO-Aug的HV为0.347，相比P-MOCO-Aug的0.236提高约47%。上述结果验证了该框架在优化解集多样性与收敛性方面的有效性，并展示了其在处理不同规模问题时的稳定性能与适应性，表明MONCO是推进基于深度学习的多目标组合优化研究的一个具有潜力的研究方向。

来源：2026年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第5期