本文提出了基于深度强化学习的分支定界算法,该算法利用离线模仿学习与自主生成数据相结合的优化方法,并且引入了一种优先存储机制来控制二者之间的混合比例,以此提高算法的性能表现。文章在三个公共研究基准上对所提出的算法进行了评估,并与三种经典的启发式方法以及一种先进的模仿学习算法进行了比较。研究结果表明,所提出的算法在性能上表现最佳,并具有不断提高分支定界算法性能的潜力。
Jan, 2022
本文提出了一种基于深度神经网络的学习算法来近似数值优化算法,在无线资源管理的应用中,此算法可以在几乎实时完成资源分配,大大提高了计算效率。同时,本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近,并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。
May, 2017
本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练,同时解决主次变量优化问题。通过数值模拟,验证了所提出方法在许多无线资源分配问题中的有效性。
Jul, 2018
本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架,其中使用基于本地信息的有效状态分配。通过引入深度神经网络,将原始问题转化为基于非凸约束的 DNN 的训练任务,并开发了一种基于原始 - 对偶方法的约束训练策略,为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。
May, 2019
利用机器学习技术对广义班德尔分解算法进行加速的研究表明,学习到的割线分类器和割线回归器分别用于标记有用和无用的割线,从而减少了主问题的复杂度,而不会损失优化结果,并且在无线网络中具有较强的实用性。
Mar, 2020
本文介绍了一个用于蜂窝网络下的组播设备对设备通信资源分配的框架,主要通过混合整数非线性规划来解决干扰问题和优化资源利用效率,提供了贪心算法和启发式算法来优化研究结果。
Mar, 2015
本文阐述了在 5G 和 B5G 网络的资源调度问题上应用深度学习模型的相关体系结构和数据训练程序,并提供了现有基于深度学习模型在无线网络资源分配问题方面的最新研究进展。同时,介绍了一种基于监督学习的深度学习模型,在多小区网络中解决子带和功率分配问题。使用遗传算法生成的数据,首先根据数据训练模型,然后测试所提出的模型的准确性,仿真结果表明,训练的深度学习模型可以在 86.3%的时间内提供期望的最优解。
Aug, 2018
该研究探讨了一种基于深度学习的二元分配问题的方法,使用神经网络进行可行性解决方案的生成,提出了一种新的 Sinkhorn 神经网络,并使用无监督学习算法解决了网络分配问题,数值结果表明该方法的有效性。
Sep, 2021
本文介绍深度学习在车联网中用于资源分配的关键动因和障碍,并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术,探究当前设计方法所面临的挑战,并提出未来资源分配研究的一些方向。
Jul, 2019
混合整数线性规划 (MILP) 是数学优化领域的重要组成部分,其提供了一个强大的建模语言,适用于各种应用领域。本文总结了近年来在 MILP 求解中使用机器学习算法优化分支定界等主要任务的发展,探索了机器学习和数学优化的整合以及其对 MILP 求解效果的提升。
Feb, 2024