通过机器学习方法,本研究使用二进制决策图在多准则决策中精确求解多目标整数线性规划问题,发现适用于单目标问题的局限二进制决策图可通过 ML 方法进行改进,产生具有优秀近似精度且规模较小的稀疏解。
Mar, 2024
本文提出了基于 SAT 的方法学习最优二元决策图(BDD),以更好地实现可解释的机器学习模型,并给出了一种整合兼容子树的方法,该方法与现有方法相比在预测质量和可解释性方面具有明显的优势。
Mar, 2022
本文研究了如何将一个二进制神经网络的决策函数编译成可行的表示形式,如有序二进制决策图和命题决策图,并讨论了使用这些表示形式来验证神经网络的鲁棒性和计算期望鲁棒性的方法。此外,本文还提出了一种基于伪多项式时间算法编译单个神经元的高效方法,并在手写数字数据集中展示了两个神经网络的高准确度但鲁棒性不同的案例研究。最后,实验证明使用命题决策图可以获得神经网络的紧凑表示形式。
Apr, 2020
本研究提出了一种基于代数决策图来表示价值函数和策略的 Markov 决策过程的值迭代算法,并将其应用于波西网络和 ADDs 表示的大规模 MDPs 中,相较于树形结构表示方式大幅降低了节点数量。
Jan, 2013
本文介绍了新型的基于知识库的配置器和 FO()KR 语言的推理引擎 IDP-Z3, 并探讨了其在解决人机交互下的约束求解问题方面的应用。
Feb, 2022
该研究论文主要研究了基于二元决策图的 Pseudo-Boolean 约束编码技术,提出了使用系数分解方法克服爆炸性增长问题,并给出了第一个多项式广义弧一致的 ROBDD 编码算法。
Jan, 2014
本研究比较了不同 Zero-suppressed Decision Diagrams 变体在多智能体系统的符号编码中的记忆使用情况,结果表明使用合适的 ZDDs 可以显著减少 BDDs 的记忆使用量。
Jul, 2023
研究了基于信念空间规划的在线决策问题,在信息收集等场景下,介绍了一种自适应的方法来寻求最大可行回报,应用这种方法可以在保证准确率的前提下显著加速在线决策过程,并进行了大量现实模拟来验证此方法的优越性。
Feb, 2023
基于二进制决策图的方法在多目标整数规划问题上取得了最先进的结果,本文提出了一种基于变量顺序的新颖参数配置空间,并通过监督学习方法找到了有效的变量顺序,以降低枚举时间。
本文提出一种基于深度强化学习的通用方法,用于优化决策图的变量排序以获得更紧密的上下界,进而直接通过泛化的边界机制提高组合优化问题的解决效率。 在两个具体应用中,作者证明了该方法能够显著提高上下界的效果。
Sep, 2018