本文提出了一种基于理论模型的枝界算法,其用于选择分支变量的方法是对 MIP 问题进行简化后,对选择不同变量可以得到对偶理论的提升(LP gains)的解析式进行计算,并提出了该方法在实验中的有效性。
Nov, 2015
本研究通过使用局部景观特征来预测何时切换算法,扩展了基于每次运行的轨迹的多算法选择方法,并分析了多个算法之间的局部景观特征交互的差异。
Feb, 2023
本研究提出了一种基于动态规划和搜索的学习算法来实现最优决策树,这种算法支持对树的深度和节点数量设置限制,并在实验证明使用我们的算法只需要很短的时间就可以处理具有成千上万个实例的数据集,从而极大地提高了最优决策树的实用性。
Jul, 2020
本文提出了一种在线学习方法,用于优化 Mixed Integer Programming (MIP) 中的启发式算法,以适应于不同的实例,并将大邻域搜索和 Diving 两类复杂启发式方法同时控制,实现 MIPLIB 2017 基准测试的节点数减少和速度提升。
Apr, 2023
本文提出了基于整数规划的方法来构建用于算法选择问题的决策树,并使用 COIN-OR Branch & Cut solver 实现的线性规划算法进行了实验。实验结果表明,该方法具有很好的泛化性能且未过度拟合。
Jul, 2019
使用机器学习确定任何一组划分程序的最佳加权,并通过实验证明,学习如何分叉在实践中非常有益,可以显著减小树的规模。
Mar, 2018
在 MIP 2022 竞赛的限时 10 分钟内,我们的混合整数规划求解器,利用分支定界算法和多线程的原始启发式方法,表现出优异的表现,特别是在使用 Diving heuristic 的情况下,成功地解决了 10 个数据集实例,这使得我们的竞赛作品获得了 “优秀学生投稿” 荣誉提名。
Jun, 2022
通过动态算法配置和强化学习,可以使用多个启发式方法进行规划,并考虑内部搜索动态,以选择最有用的启发式方法,在一定程度上可以大幅提高启发性搜索的性能。
Jun, 2020
Branches 算法结合了动态规划和分支界限方法,提供了出色的速度和稀疏性解决方案,通过理论分析和实证评估验证了比现有方法更低复杂性以及始终产生最优的决策树的优势。
Jun, 2024
本文介绍了一种新的分支启发式方法和一种称作 ALDS 的搜索技术。在 SAT 2009 竞赛上的表现表明,这两种技术结合在一起可以极大地降低搜索树的大小。
Feb, 2014