Oct, 2023

神经二阶段鲁棒优化

PDF
TL;DR该论文研究了两阶段鲁棒优化问题，并提出了一种基于机器学习的方法 Neur2RO 来解决该问题。通过将神经网络嵌入到迭代算法中，Neur2RO 可以高效地找到高质量解决方案。实验证明，与现有算法相比，该方法在几秒内就能找到接近最优解的解决方案。
robust optimizationtwo-stage robust optimizationneur2rocolumn-and-constraint generationmachine learning-driven instantiation
发现论文，激发创造
  • 机器学习方法在两阶段自适应鲁棒优化中的应用

    基于机器学习的方法解决了具有二阶段线性适应鲁棒优化问题中的两个关键问题：二值即时变量和多面体不确定性集。我们通过将最优即时决策、与最优即时决策相关的最差情况以及最优观望决策编码为策略来进行求解。使用列生成和约束生成算法为多个相似的适应鲁棒优化实例提供预先求解，并提取最优策略生成训练集。我们训练了一个机器学习模型，该模型用于预测即时决策、与最优即时决策相关的最差情况以及观望决策的高质量策略。我们还介绍了一种算法来减少机器学习算法需要训练的不同目标类别的数量。我们将所提出的方法应用于设施选址、多项存货控制和机组投资问题，相比于最先进的算法，我们的方法在极短的时间内以高准确性解决了适应鲁棒优化问题。

    Jul, 2023

  • Neur2SP：神经两阶段随机规划

    本文提出了一种名为 Neur2SP 的方法，它通过神经网络近似预期值函数来解决计算上不可行的二阶随机编程模型，同时不假设问题结构并且可以使用现成的 MIP 求解器，并成功应用于四类基准问题。

    May, 2022

  • 基于 Oracle 的二阶段稳健优化算法

    本文研究具有目标不确定性的二阶段鲁棒优化问题，提出了一种算法，通过交替求解基础确定性问题和对抗性问题来高效计算二阶段鲁棒问题的下界。该算法适用于线性和非线性目标函数，研究发现其在非线性目标函数下，具有更高的性能表现。同时作者还测试了基于列生成和约束生成算法的另一种求解方法，发现分支定界算法的表现更胜一筹。

    May, 2019

  • 使用神经网络对受约束系统进行建模的两阶段训练方法

    本文详细描述了一种简单、有效且无需惩罚参数的两阶段训练方法，用于模型约束系统。通过将约束优化问题重写为解决两个无约束子问题的两阶段，实现了找到可行神经网络参数和最优神经网络参数。实验证明，该方法可以产生满足约束的模型，并提升预测性能，确保关键系统属性的合规性并减少数据需求量。此外，我们还展示了该方法改善了求解最优解的收敛性和解释可行的神经常微分方程模型的能力。我们的两阶段训练方法适用于任何神经网络架构。

    Mar, 2024

  • 分布鲁棒优化中第二玩家建模

    本文提出了一种基于神经生成模型的分布鲁棒优化 (DRO) 方法，通过对不确定集合中的分布进行建模，使得模型在不确定的分布中表现优异，并提出一种 KL 约束内部最大化目标的松弛优化方式，通过大规模生成模型的梯度优化来解决相应的实现和优化挑战，并且开发模型选择启发式方法来指导超参数搜索。实验结果表明提出的方法比当前基线模型更具鲁棒性。

    Mar, 2021

  • Neur2BiLO: 神经双层最优化

    通过使用神经网络近似技术，我们提出了一个名为 Neur2BiLO 的框架，用于解决具有整数变量的约束双层问题。Neur2BiLO 能够快速产生高质量的解决方案，适用于多种具有线性或非线性目标 / 约束和整数或混合整数变量的问题。

    Feb, 2024

  • 有约束的在线两阶段随机优化：具有（和不具有）预测的算法

    我们考虑了一个在线两阶段随机优化问题，有关于 T 个周期的长期约束。我们通过对抗学习算法开发了在线两阶段问题的在线算法，同时，我们的算法的遗憾界可以降低到嵌入对抗式学习算法的遗憾界。基于这个框架，在不同的设置下，我们得到了新的结果。

    Jan, 2024

  • 学习鲁棒组合优化：算法与应用

    该论文研究了利用神经网络在 robust combinatorial optimization 中解决 minimax optimization 问题的新方法 Learning for Robust Combinatorial Optimization (LRCO)，并通过在车载边缘计算中解决任务分配问题进行模拟，证明了 LRCO 能够大大减少最坏情况的成本和提高鲁棒性，同时具有非常低的运行时复杂度。

    Dec, 2021

  • DORO：分布式和异常值鲁棒优化

    提出了一种名为 DORO 的分布与离群点鲁棒优化框架，其中核心在于改进的风险函数，可以解决分布变化和离群点的问题，从而提高了机器学习的性能和稳定性。该方法有助于提升现代大型数据集的实验结果。

    Jun, 2021

  • 大规模非凸随机约束分布鲁棒优化

    该论文主要研究了分布鲁棒优化（Distributionally Robust Optimization，DRO）中的约束问题，针对非凸损失函数提出了一种随机算法并进行了性能分析，证明了该算法能够找到一个满足 ε- 稳定点，而且计算复杂度为 O (ε^(-3k_*-5))，此外，数值结果表明该方法优于现有方法。

    Apr, 2024