Νευρωνικά Δίκτυα Γράφων για την επίλυση του προβλήματος του περιπλανώμενου πωλητή : συνδυασμός μαθηματικού προγραμματισμού και μηχανικής μάθησης

Μούγιος, Ιωάννης

dc.contributor.advisor	Κορωνάκος, Γρηγόριος
dc.contributor.author	Μούγιος, Ιωάννης
dc.date.accessioned	2026-01-28T08:04:39Z
dc.date.available	2026-01-28T08:04:39Z
dc.date.issued	2025-12
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18821
dc.description.abstract	Η παρούσα διατριβή εξετάζει τη χρήση Νευρωνικών Δικτύων Γράφων (Graph Neural Networks - GNNs) για την επίλυση του κλασικού προβλήματος του Πλανόδιου Πωλητή (Traveling Salesman Problem - TSP). Το TSP αποτελεί ένα από τα σημαντικότερα προβλήματα συνδυαστικής βελτιστοποίησης και έχει χαρακτηριστεί ως NP-hard. Η μεθοδολογία που αναπτύχθηκε συνδυάζει κλασικές τεχνικές βελτιστοποίησης με σύγχρονες προσεγγίσεις μηχανικής μάθησης, αναδεικνύοντας τον ρόλο των Νευρωνικών Δικτύων Γράφων στη μοντελοποίηση δομών γράφων και στην επίλυση προβλημάτων συνδυαστικής φύσης. Ειδικότερα, η εφαρμογή Νευρωνικών Δικτύων Γράφων στο συγκεκριμένο πρόβλημα στοχεύει στην πρόβλεψη των ακμών που συνθέτουν τη βέλτιστη διαδρομή σε πλήρως συνδεδεμένους γράφους. Η εκπαίδευση και η αξιολόγηση μοντέλων Νευρωνικών Δικτύων Γράφων διεξάχθηκε με τη δημιουργία συνθετικών δεδομένων. Τα πειραματικά αποτελέσματα αναδεικνύουν ότι τα μοντέλα Νευρωνικών Δικτύων Γράφων μπορούν να εκπαιδευτούν αποτελεσματικά στα μοτίβα που αποτυπώνουν τις βέλτιστες λύσεις και να γενικεύσουν σε νέα παραδείγματα, γεγονός που επιβεβαιώνει τη δυναμική τους για την αντιμετώπιση πολύπλοκων προβλημάτων βελτιστοποίησης.	el
dc.format.extent	46	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.title	Νευρωνικά Δίκτυα Γράφων για την επίλυση του προβλήματος του περιπλανώμενου πωλητή : συνδυασμός μαθηματικού προγραμματισμού και μηχανικής μάθησης	el
dc.title.alternative	Graph Neural Networks for solving the traveling salesman problem : combining mathematical programming and machine learning	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This dissertation examines the use of Graph Neural Networks (GNNs) for solving the classical Traveling Salesman Problem (TSP). The TSP is one of the well-known combinatorial optimization problems and is classified as NP-hard. The methodology developed in this work combines traditional optimization techniques with modern machine learning approaches, highlighting the role of Graph Neural Networks in modeling graph structures and addressing combinatorial problems. Specifically, the application of GNNs to the TSP aims at predicting the edges that form the optimal route in fully connected graphs. The training and evaluation of the Graph Neural Network models were conducted using synthetically generated data. The experimental results demonstrate that GNN models can be effectively trained to capture the patterns underlying optimal solutions and generalize to new instances, confirming their potential for handling complex optimization problems.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	TSP	el
dc.subject.keyword	Traveling salesperson problem	el
dc.subject.keyword	Graph Neural Network	el
dc.subject.keyword	Integer linear programming	el
dc.subject.keyword	Πρόβλημα του περιπλανώμενου πωλητή	el
dc.subject.keyword	Ακεραιος προγραμματισμός	el
dc.subject.keyword	Νευρωνικα Δίκτυα Γράφων	el
dc.subject.keyword	GAT	el
dc.date.defense	2025-12

Αρχεία σε αυτό το τεκμήριο

Name:
Μέγεθος:: 1.657Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 3.0 Ελλάδα