Gracias por el A2A. La optimización combinatoria es un campo de optimización matemática o investigación operativa con aplicación en aprendizaje automático. (Cita parafraseada de wiki)
Su pregunta todavía tiene sentido, porque estos campos se superponen con ML. Piense en el aprendizaje de refuerzo donde descubra políticas con alguna técnica: gradiente de políticas, variante de programación dinámica o un ‘conocimiento’ codificado en una red neuronal suficientemente entrenada. Estos no son los únicos ejemplos en los que las opciones inteligentes de heurística reducen el espacio de búsqueda a un tamaño manejable. Pero el énfasis en la heurística. Porque para resolver un problema NP difícil de un real dentro de un tiempo razonable, necesitará uno. Y la idea de utilizar la red neuronal para la optimización no es nueva, ya que este artículo indica las fechas para resolver TSP con NN hasta 1985. Examinar la literatura en este artículo muestra que la investigación en esta dirección progresó aún más a principios de los años 90.
- ¿Qué es particionar en chispa, por qué lo necesitamos?
- ¿Qué significa importar en Python? ¿Puedo hacer mi propio algoritmo sin usar importar?
- ¿Cuál es el mejor algoritmo para elegir para la tarea de aprendizaje automático de agrupar una base de datos de listados de casas con sus propiedades (algunos de los cuales son binarios y otros son numéricos y preferiblemente con la primera imagen)?
- ¿Cuál es la complejidad temporal del tipo de conteo y fusión?
- ¿Es posible simular / emular / codificar el poder de pensamiento de una CPU en una GPU?
Discutir la eficiencia necesita un contexto, y me permite volver a visitar esta parte de su pregunta en otro momento. Por ahora, en resumen: sí, he utilizado políticas basadas en redes neuronales para problemas de decisión difícil de NP a muy gran escala de manera competitiva.
Espero eso ayude