Dec, 2019

用基于学习的算法快速计算随机整数规划的优秀原始解

HTML
PDF
TL;DR本研究提出了一种使用监督学习的新方法来解决约束在第一阶段和第二阶段的两阶段随机整数规划（2SIP）问题，该算法预测问题的“代表性情景”（RS），以确保解的第一阶段的可行性，并保证第二阶段的可行性。用于计算测试的应用是在两阶段整数规划的情景下，寻找代表性情景，为直线约束下的两阶段随机设施位置问题提供近乎最优解，并且具有很好的计算性能。
发现论文，激发创造
  • 随机约束编程：一种基于场景的方法

    介绍了一种基于情景树的随机约束编程模型，可以将该模型编译为传统的约束编程模型，提高了在决策问题和不确定性下决策的能力和效率。

    Mar, 2009

  • 在信息不足的情况下预测操作计划问题的战术解决方案

    研究人员提出了一种快速预测给定操作问题的战术解决方案的方法，并将其作为二阶最优预测随机程序来规范化问题，利用监督机器学习算法进行预测。与随机程序的样本平均逼近相比，深度学习算法在非常短的计算时间（毫秒或更短）内产生高度准确的预测。

    Jan, 2019

  • 基于解预测加速混合整数规划原始解求解

    本文提出了基于三分图的方法表示MIP问题，该问题可以通过图卷积网络结合机器学习方法来预测二进制变量的解，以生成一种局部分支类型切割，从而提高求解MIP问题的性能。

    Jun, 2019

  • 通过机器学习解决混合整数规划问题的调查

    本文调查了利用机器学习解决混合整数规划（MIP）问题的趋势，介绍了MIP及其传统算法，提倡学习和MIP的不同集成，并引入了与学习相关的方法。最后，我们展望了基于学习的MIP求解器的前景。

    Mar, 2022

  • Neur2SP：神经两阶段随机规划

    本文提出了一种名为Neur2SP的方法，它通过神经网络近似预期值函数来解决计算上不可行的二阶随机编程模型，同时不假设问题结构并且可以使用现成的MIP求解器，并成功应用于四类基准问题。

    May, 2022

  • 不确定情况下决策上下文优化方法综述

    本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

    Jun, 2023

  • 一个可扩展的机器学习优化框架用于连续决策

    我们提出了一个集成的预测-优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器-解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于0.1%。我们将PredOpt与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt对于需要立即且重复求解的动态MIP问题具有优势。

    Nov, 2023

  • 带有未知参数约束的混合整数线性规划的两阶段预测+优化

    我们提供了一个新的更简单更强大的框架称为Two-Stage Predict+Optimize，可用于预测和优化的设置中，通过训练算法涵盖了所有混合整数线性程序，并且实验证明我们的训练框架在所有传统和最先进方法上具有卓越的预测性能。

    Nov, 2023

  • 整数规划的有效可行解生成方法：引导扩散

    我们提出了一种新颖的框架，通过对整数规划实例和解决方案之间的关系进行对比学习，以生成完整的可行解，其质量可与Gurobi的最佳启发式解相媲美，且在整个数据集上表现优于最先进方法，提高了与最优值之间的差距，并且在所有数据集上保持超过99.7%的可行比率。

    Jun, 2024

  • 非凸两阶段随机优化问题的贝叶斯优化

    本文解决了传统随机编程中对非凸问题和昂贵黑箱优化方法的不足。作者采用贝叶斯优化，提出了一种基于知识梯度的获取函数，以联动优化两阶段变量，并证明了其渐近一致性。实验证明，该方法在有效性上优于标准的两步基准方案，展示了在不同问题维度和尺度下的优势。

    Aug, 2024