Dec, 2020

利用神经网络解决混合整数规划问题

PDF
TL;DR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。
mixed integer programmingmachine learningneural networksvariable selectionreal-world datasets
发现论文，激发创造
  • 基于数据驱动的框架用于指导组合优化求解器 (MIP-GNN)

    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

  • 阈值感知学习生成混合整数规划可行解

    研究通过优化变量分配的覆盖率，建立深度神经网络模型以实现高质量的可行解，在组合优化问题中实现了最先进的性能表现。

    Aug, 2023

  • 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

  • 在线学习用于调度 MIP 启发式算法

    本文提出了一种在线学习方法，用于优化 Mixed Integer Programming (MIP) 中的启发式算法，以适应于不同的实例，并将大邻域搜索和 Diving 两类复杂启发式方法同时控制，实现 MIPLIB 2017 基准测试的节点数减少和速度提升。

    Apr, 2023

  • 深度学习增强的整数混合优化：学习降低模型维度

    通过深度学习来解决混合整数规划（MIP）模型中固有的计算复杂性，并比较前馈神经网络（ANN）和卷积神经网络（CNN）在逼近 MIP 问题中的活动维度的效果，利用多标签分类来纳入多个活动维度，通过贝叶斯优化进行超参数调优以提升模型性能，并应用于基于流量的设施位置分配混合整数线性规划（MILP）问题，描述个性化医疗供应链中的长期投资规划和中期战略规划。

    Jan, 2024

  • 混合整数规划作为一层

    该研究介绍了一种新的决策集中学习方法，可以优化预测模型，支持将问题编码为混合整数线性规划，并使用割平面算法求解。实验结果表明，该方法在多个实际领域中的性能优于现有方法。

    Jul, 2019

  • 混合整数规划的大邻域搜索算法学习

    该论文提出了一种基于学习的大邻域搜索 (LNS) 方法来解决混合整数规划 (MIP)，该方法使用神经潜水模型来表示变量分配的可能性分布，并使用非自用 MIP 求解器生成初始分配，并使用诱导学习来训练神经网络选择在每个步骤中寻找下一个分配的邻域。

    Jul, 2021

  • 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

  • 训练神经网络的强混合整数规划公式

    本文提出了一个强大的混合整数编程（MIP）框架，可以用于处理高维分段线性函数，从而建立与训练好的神经网络相匹配的数学模型，并通过这些数学模型来解决图像分类的鲁棒性验证和机器学习模型的决策问题。我们的方法比文献中其他方法更加有效，并且在图像分类网络的验证任务中取得了优异的结果。

    Nov, 2018

  • 机器学习增强的混合整数线性规划的支配分枝

    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