本文探讨了在整数线性规划(ILP)的大邻域搜索(LNS)中设计有效和高效的启发式。 创新性地提出了 LB-RELAX 及其变体,利用线性规划松弛代替 Local Branching 来选择邻居。实验证明相对于 LB,LB-RELAX 及其变体计算出的邻域相同,但是速度更快。在多个 ILP 基准测试中取得了最新的任意时间性能。
Dec, 2022
本文介绍了一种新的算法 CL-LNS,通过使用正负样本集合学习一个次优解算法并使用图注意力网络和更丰富的特征进一步提高解决 LP 问题的性能。
Feb, 2023
本文提出了一个基于自适应约束分区的优化框架,旨在解决解决大规模整数规划问题时可能会陷入局部最优解的问题。与现有的大邻域搜索算法相比,该框架可以更高效地利用任何现有优化求解器作为子例程来优化决策变量。实验结果表明,该框架在规定的墙钟时间内显示出比 SCIP 和 Gurobi 更好的性能。
Nov, 2022
通过扩展冲突驱动子句学习技术,本文使用基于整数线性规划方法处理复杂的实际问题,并讨论该方法在优化方面的潜在改进。
Feb, 2024
该研究使用深度强化学习方法提出了一个新的线性规划模型,该模型能够有效地减少求解时间和迭代次数,优化了现有的线性规划求解器的性能。
Jan, 2022
该研究论文旨在研究一种简单版本的普通非线性整数问题,其中所有约束仍为线性,重点在于问题的计算复杂度,涵盖了针对更一般类问题的最新成功方法。
Jun, 2009
本文研究了一种统一的框架方法用于解决一类混合整数优化问题,通过对其逻辑约束进行非线性方式的表达,结合规则化条件及基于混合精度算法,形成了凸二进制优化问题,并利用一种综合的数字策略方法解决问题。
Jul, 2019
本文介绍了一种用于改进现有程序的本地搜索方法,即基于单项游戏评分提高程序效率的 POLIS 方法,在 27 人的用户研究中得到验证,可以作为可衡量目标的编程问题的有用助手。
Jul, 2023
通过使用对数障碍项而不是二次惩罚项和神经网络的优化问题解决方案,实现了优化问题的解决方案,结果表明其效果与基于二次规划任务损失的公式以及 SPO 方法一样好,甚至更好。
Oct, 2020
本文提出了一种用于从数据中挖掘约束条件的一般框架,该框架以整数线性规划问题的形式考虑结构化输出预测中的推断,然后通过估计可行集的外部和内部多面体来挖掘底层约束条件,并在各种合成和现实应用中验证了所提出的约束挖掘算法。
Jun, 2020