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。
Dec, 2020
使用基于神经深潜的后处理方法提高启发式的灵活性,并通过置信得分确定最优解的一部分解,以找到更好、更快的可行解。该方法在 NeurIPS 2021 ML4CO 竞赛中获得了第二名,且在同类基于学习的方法中获得了最佳成绩。
Feb, 2022
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
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
在这项工作中,我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层,以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的(经过学习的)组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示,且在竞争性计算机视觉关键点匹配基准上有展示其潜力。
May, 2021
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
我们提出了一种新颖的框架,通过对整数规划实例和解决方案之间的关系进行对比学习,以生成完整的可行解,其质量可与 Gurobi 的最佳启发式解相媲美,且在整个数据集上表现优于最先进方法,提高了与最优值之间的差距,并且在所有数据集上保持超过 99.7% 的可行比率。
Jun, 2024
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
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。