无线资源分配的广义班德分解加速
该研究利用机器学习提出了增强型 Benders 分解算法,用于解决两阶段随机安全约束机组组合问题。通过创建更紧凑的限制条件和减小主问题的规模,以降低计算成本和内存使用量。相较于传统的多限制条件 Benders 分解算法,在多个测试系统上的仿真研究表明,该学习辅助的 Benders 分解算法在解决两阶段随机安全约束机组组合问题方面具有显著的效果。
Nov, 2023
本文提出了一种基于学习的 Benders 分解算法,使用支持向量机分类器识别关键切割面来加速解决双阶段随机规划问题,实验结果表明该方法可以显著降低不同大小和复杂度问题的求解时间。
Jun, 2019
通过使用替代的代理模型加速 Benders 分解方法,相较于其他加速的实施方案,我们观察到平均收敛速度提高了 30%。我们介绍了一种基于强化学习代理的替代模型,并展示了如何用其解决随机库存管理问题。
Jul, 2023
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
本研究应用基于逻辑的 Benders 分解方法(LBBD)将其首次应用于解决 Answer Set Programming(ASP)中的优化问题,以提高 ASP 技术的实用性,并以医疗保健为案例研究,实验结果表明此方法的有效性。
May, 2023
本文介绍了一种分布式学习算法 —— 去中心化单环梯度上升 / 下降算法(AD-GDA),以解决设备之间数据分布不均导致合作训练模型性能下降的问题,并采用压缩共识方案提高通信效率,并给出了平滑凸和非凸损失函数的收敛性保证。
May, 2022
通过机器学习方法学习大规模优化问题的分解式解决方法,从而在计算时间上实现最优初始化,进而用于解决混合整数模型预测控制问题,结果表明该方法能显著减少解决时间并减少所需数据。
Oct, 2023
现代机器学习面临了新的约束学习范式,其中包括最重要的应用领域如 Neyman-Pearson 分类和公平性分类,本文针对这些约束学习任务在 Bregman 近端算法框架下适配了梯度提升机算法,并提出了具有全局最优性保证的 Bregman 原始 — 对偶方法。我们的算法与现有的约束学习算法不同之处在于能够与 XGBoost 和 LightGBM 这样的公开实现无缝集成,并已通过实验证明了算法框架的有效性。虽然主要关注于 Neyman-Pearson 分类和公平性机器学习,但我们的框架在更广泛的约束学习应用领域也具有重要潜力。
Aug, 2023
本研究针对大型无线网络上的多路访问信道(MAC)上的分布式学习问题,开发了一种新颖的 GBMA 算法,通过使用共同波形传输局部梯度的模拟函数来更新估计,GBMA 不需要功率控制或波束成形来消除衰落效应,并直接处理噪声失真的梯度。我们在理论上分析了 GBMA 的性能,并证明了它可以接近中心梯度下降(GD)算法的收敛速度,在大型网络中确立了误差的有限样本界限。此外,当节点数量增加时,我们还提供了逼近中心收敛速度的能量缩放定律。最后,实验结果支持了理论发现,并使用合成和真实数据展示了 GBMA 的强大性能。
Aug, 2019