利用图神经网络学习分支界限中节点比较
本文提出了一种基于图卷积神经网络的分支定界变量选择新模型,通过模仿学习和强分支专家规则训练,成功解决了组合优化问题。实验结果表明,该方法不仅在分支机制上优于现有的机器学习方法,而且在大问题上也优于现有的专家设计分支规则。
Jun, 2019
本文提出了一种聚合图神经网络和指针机制的图指针网络模型来学习分支定界中的变量选择策略,结果表明该模型在求解速度和搜索树大小方面都优于现有的机器学习和专家设计的分支规则。
Jul, 2023
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
文章提出一种基于深度学习和启发式算法的图卷积网络方法,用于解决某些 NP 困难问题,并在四个 NP 困难问题和五个数据集上进行了评估,结果表明该方法在某些 NP 困难问题上已经达到了高度优化的最新启发式算法的水平,并具有较强的泛化性和扩展性。
Oct, 2018
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
该研究探讨了图神经网络(GNNs)和二进制编程(BP)问题之间的联系,为 GNNs 在解决这些计算难题上提出了设计。通过分析 BP 问题的灵敏度,我们将 BP 问题的解决方案框架化为异质节点分类任务。随后,我们提出了 Binary-Programming GNN(BPGNN),一种将图表示学习技术与 BP 感知特征相结合的架构,以有效地近似 BP 解决方案。此外,我们引入了一种自我监督的数据生成机制,以便在处理大规模 BP 问题时实现高效和可操作的训练数据获取。对不同 BP 问题规模的 BPGNN 进行实验评估显示其性能优于穷举搜索和启发式方法。最后,我们讨论了 GNNs 在 BP 问题这个尚未充分探索的领域中的挑战。
Apr, 2024
本文研究了两种神经网络结构用于学习图像和语言之间的相似性,其中一种网络结构学习了一个共享的潜在嵌入空间,另一种网络结构通过元素乘积将两个数据模态融合,并且实现了对于句子和图像的双向检索,取得了良好的结果。
Apr, 2017