研究表明图神经网络能够有效地表示和学习基于混合整数线性规划的解决策略,其中包括强分支评分。另外,该研究还证明第二阶基因网络结构能够以高准确率和高概率近似强分支评分。
Feb, 2024
提出了一种基于物理信息的分层图卷积网络(PI-GCN)用于神经潜伏,通过学习电力系统各组成部分的底层特征来寻找高质量的变量分配;采用基于 MIP 模型的图卷积网络(MB-GCN)用于神经分支,在 B&B 树的每个节点上选择最优变量进行分支;将神经潜伏和神经分支集成到现代 MIP 求解器中构建一个创新的神经 MIP 求解器,用于处理大规模的 UC 问题。数值研究表明,相较于基线 MB-GCN,PI-GCN 在神经潜伏方面具有更好的性能和可扩展性;此外,将神经 MIP 求解器与我们提出的神经潜伏模型和基线神经分支模型相结合,可以获得最低的运营成本,并在所有测试日中优于现代 MIP 求解器。
Nov, 2023
提出了一种称作 MIP-GNN 的混合整数规划改进方法,利用图神经网络模型预测混合整数线性规划的变量偏差,并将其集成到一个先进的 MIP 求解器中,针对二进制 MILP 的节点选择和启发式方面展示了与默认设置相比的显著改进。
May, 2022
使用知识蒸馏技术将图神经网络(GNNs)和多层感知器(MLPs)相结合,提出了无图依赖的神经网络 GLNNs,并在 7 个数据集的生产环境中证明其比 GNNs 更快且准确率接近,适用于延迟受限的应用程序。
Oct, 2021
本研究提出了一种新的基于图神经网络的分支启发式方法,用于求解组合优化问题中的最小支配团问题,实验结果表明,该方法相较于最小剩余量策略在分支数上表现更优,为使用图神经网络改进传统的 AI 回溯算法提供了新思路。
Nov, 2022
该研究介绍了一种新颖的预处理器,将 GNN 模型与多级域分解框架结合起来,以提高 Krylov 方法的效率,并产生一个混合求解器,可以以任何所需的精度收敛。
本文介绍了一种将机器学习与混合整数规划相结合的方法,通过构建两个神经网络组件 Neural Diving 和 Neural Branching 来生成高质量的联合变量分配和绑定目标值差异,在实验中,该方法比传统方法得到了更好的结果。
Dec, 2020
近年来,对不同领域数据进行图结构化映射的兴趣日益增长。本文展示了多层感知器(MLP)等神经网络模型可以用图表示,而图神经网络(GNN)是在图上执行机器学习任务的标准工具。我们提出了一种用于表格数据的新的机器学习模型,称为图神经机器(GNM),它用几乎完全图代替了 MLP 的有向无环图,并采用同步消息传递方案。我们展示了单个 GNM 模型可以模拟多个 MLP 模型,并在多个分类和回归数据集上评估了所提出的模型。在大多数情况下,GNM 模型优于 MLP 架构。
本文介绍了一种名为 SwitchBlade 的框架,通过新型分区级操作融合、分区级多线程和细粒度图分区等方法,实现了对图神经网络的高性能和高效能加速,相较于 NVIDIA V100 GPU,SwitchBlade 平均速度提升 1.85 倍,节能 19.03 倍,并且在性能上与最先进的专用加速器相媲美。
Aug, 2023
机器学习中的消息传递图神经网络(MPNNs)可以模拟线性优化问题和组合优化问题,提高解决难解优化问题的效率。
Oct, 2023