Jul, 2023

路由问题的逆优化

PDF
TL;DR通过逆向优化方法，我们提出一种学习决策者在路径规划问题中行为的方法，并在亚马逊最终里程路线研究挑战中测试了我们的方法。我们的结果展示了提出的逆向优化方法通过学习决策者在路径规划问题中的决策具有灵活性和实际潜力。
learningdecision-makers' behaviorrouting problemsinverse optimizationrouting preferences
发现论文，激发创造
  • 逆优化中的学习：内心成本、扩展次优性损失和算法

    本文提出了一种名为 “Incenter” 的概念，基于 “Inverse Optimization”（IO）问题的一些几何特点，并开发了相应的凸形式，提出了名为 Augmented Suboptimality Loss (ASL) 的新的损失函数以及名为 Stochastic Approximate Mirror Descent 的新的一阶算法，对高基数离散可行集的 IO 问题具有证明有效的保证，并将这些方法实现为 Python 软件包 InvOpt。

    May, 2023

  • 通过在线学习实现广义逆优化

    该论文提出了一种面向在线学习的反向优化算法框架，设计了一种隐式更新算法用于处理噪声数据，并证明其具有统计一致性。实验表明，该算法具有很高的精度和鲁棒性，并且在计算效率上比批量学习更具优势。

    Oct, 2018

  • 优化库存路线：基于决策导向学习的神经网络方法

    我们提出了一种面向决策的基于学习的方法来解决实际的库存路径规划问题，该方法直接整合了库存预测和路径优化于一个端到端的系统中，可能确保一个稳健的供应链策略。

    Nov, 2023

  • 面向偏好的末端物流配送规划

    本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

    Mar, 2023

  • 指导成本学习：基于策略优化的深层逆最优控制

    本文旨在探讨如何使用逆优化控制（IOC）从演示学习行为，具体应用于对高维机器人系统的扭矩控制。作者提出了一种算法，能够学习任意的非线性成本函数 (如神经网络)；同时提出了一种针对 MaxEnt IOC 的高效的基于采样的近似方法。通过一系列模拟任务和真实的机器人操作问题的评估，该方法能够实现显著的任务复杂度和样本效率的提升。

    Mar, 2016

  • 通过反向多目标优化推断参数

    本文提出了一种数据驱动的逆优化模型，用于从具有噪声观测数据的决策中推断多目标决策问题的参数，并能够确定决策制定者对多个准则的偏好分布。该模型使用更复杂的逆优化公式，包括数学分析和算法，可估计关键参数、解耦和降噪的最优决策，并保证统计显著性。数值实验证实了该模型的有效性和算法的计算效率。

    Aug, 2018

  • 基于数据驱动的带不完美信息的反优化

    本研究着重于解决不完美信息下的数据驱动逆向优化问题，将其形式化为分布鲁棒规划，最小化预测决策与真实响应之间的最坏情况风险，并证明了该方法比现有方法更为有效。

    Dec, 2015

  • BO4IO：一种带有不确定性量化的逆优化的贝叶斯优化方法

    该论文提出了一种基于贝叶斯优化的数据驱动逆优化方法，称为 BO4IO，用于解决参数估计和不确定性量化等问题，通过将逆优化损失函数视为黑盒，并使用高斯过程模型进行近似，使用 BO4IO 可以准确估计未知的模型参数并提供置信区间估计。

    May, 2024

  • 学习用于最优输运的代价函数

    本文提出了一种无约束凸优化形式的逆向最优输运问题，其中包括了两种数字算法，并使用深度神经网络参数化成本函数，以此解决了现有逆向最优输运方法中前向计算瓶颈的问题，并展示了这种方法的高效性和准确性。

    Feb, 2020

  • 计算理性化：逆平衡问题

    该文介绍了一种在多智能体领域应用的、基于逆优化控制、遗憾和最大熵原理的方法，用于预测与推广多智能体的行为，并恢复其奖励函数。

    Mar, 2011