基于整数规划的贝叶斯网络学习的进展
提出了一个将贝叶斯网络结构学习问题转化为优化问题,使用整数规划方法进行求解的方法,具体来说,在整数规划算法中添加了割平面的约束,用子整数规划搜索这些割平面来提高该方法性能,以求得最大化对数边际似然(BDe 分数)的贝叶斯网络结构,该方法能够高效地进行准确的贝叶斯网络结构学习。
Feb, 2012
本文提出了一种基于拓扑序的混合整数规划模型与迭代算法,来解决带有有向图中非循环约束的优化问题。模型具有较少的约束条件且使用了梯度下降和迭代重新排序等方法。该方法在高斯贝叶斯网络学习问题中进行了计算实验,用于在生物信息学中推断基因网络
Jan, 2017
本文研究从数据中学习离散变量贝叶斯网络的算法的复杂度结果,结果表明即使具有独立性、推理或信息神谕,识别高得分的结构也很困难,负面结果也适用于每个节点最多有 K 个父母的离散变量贝叶斯网络,其中 k > 3。
Oct, 2012
应用深度强化学习技术提升整数规划问题求解算法中割平面方法 (Cutting Plane Method) 的性能表现。通过对算法的智能自适应选择,和其在分支定界算法 (Branch-and-Cut algorithm) 中的应用,表现出在各种不同规模的样例和不同的整数规划问题中,训练出来的深度 RL 代理能显著的超过人类设计的启发式方法。
Jun, 2019
本论文调查了机器学习在选择混合整数线性规划中剪切平面的技术上的应用,通过使用数据来确定有希望的剪辑以加速 MILP 实例的解决方案,并分析文献中的实证结果以量化已经取得的进展,并建议未来的研究方向。
Feb, 2023
通过深度学习来解决混合整数规划(MIP)模型中固有的计算复杂性,并比较前馈神经网络(ANN)和卷积神经网络(CNN)在逼近 MIP 问题中的活动维度的效果,利用多标签分类来纳入多个活动维度,通过贝叶斯优化进行超参数调优以提升模型性能,并应用于基于流量的设施位置分配混合整数线性规划(MILP)问题,描述个性化医疗供应链中的长期投资规划和中期战略规划。
Jan, 2024
本文研究通过深度置信网络 (DBN) 和归纳逻辑编程 (ILP) 的新型组合来使用估计分布 (EDA) 方法解决离散优化问题。我们的神经符号 EDA 引擎使用 ILP 引擎构建具有站在领域背景知识相好的解决方案的模型,并将这些规则作为布尔特征引入用于基于 EDA 的优化时的 DBNs 的最后一个隐藏层中。我们的实验表明,我们的方法可行,并且相比未使用 ILP 功能的 DBNs,使用 ILP-assisted DBN 生成的样本都更有可能是良好的解决方案,从而增加了解算法收敛时得到最优解的可能性。
Dec, 2016
在这项工作中,我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层,以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的(经过学习的)组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示,且在竞争性计算机视觉关键点匹配基准上有展示其潜力。
May, 2021
本文研究了一种统一的框架方法用于解决一类混合整数优化问题,通过对其逻辑约束进行非线性方式的表达,结合规则化条件及基于混合精度算法,形成了凸二进制优化问题,并利用一种综合的数字策略方法解决问题。
Jul, 2019