LEO: 学习高效的多目标二进制决策图排序
通过机器学习方法,本研究使用二进制决策图在多准则决策中精确求解多目标整数线性规划问题,发现适用于单目标问题的局限二进制决策图可通过 ML 方法进行改进,产生具有优秀近似精度且规模较小的稀疏解。
Mar, 2024
本文提出一种基于深度强化学习的通用方法,用于优化决策图的变量排序以获得更紧密的上下界,进而直接通过泛化的边界机制提高组合优化问题的解决效率。 在两个具体应用中,作者证明了该方法能够显著提高上下界的效果。
Sep, 2018
本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO,可高效找到混合变量设计空间的最优帕累托前沿,同时确保多样解,结果表明 MixMOBO 在合成问题上表现良好。
Jan, 2022
提出了一种贝叶斯优化方法,用于在具有昂贵目标函数的多目标优化问题中确定最优解,通过交互方式自适应地估计 DM 的贝叶斯偏好模型,并利用获得的偏好信息进行主动学习,从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。
Nov, 2023
本文提出了一种基于学习的方法,将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型,以近似整个 Pareto 集,为决策者提供灵活的决策,并展示实验结果。
Oct, 2022
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
本篇论文介绍了一种基于有界入度的节点排序的图搜索算法,以解决根据数据学习贝叶斯网络结构的问题,实验结果表明该算法在得分和运行时间方面优于贪婪爬山法。
Jul, 2012
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
本研究提出了一种基于 SC-ProbLog 的新方法来解决 SCOPs(Stochastic Constraint Optimization Problems)。相比先前使用 PLP 技术创造 OBDD 的方法,我们的方法更具高效性和领域一致性,并基于约束编程方法开发了一个新的传递器。
Jul, 2018
本研究提出一种基于熵的多目标贝叶斯优化方法(MBO),称为帕累托前沿熵搜索(PFES),该方法考虑到帕累托前沿的熵,通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系,并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。
Jun, 2019