Oct, 2023

利用人工智能实现基于分解的优化算法自动化：第一部分，学习何时进行分解

PDF
TL;DR本文提出了一种基于图分类的方法，用于自动确定是使用整体式还是分解式的解决方案方法；通过适当的特征集，将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图；构建图分类器以确定给定问题的最佳解决方法；以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用；最后，展示了学习到的分类器如何并入现有的混合整数优化求解器中。
发现论文，激发创造
  • 通过人工智能，让基于分解的优化摒弃人类干涉：第二部分。学习初始化

    通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。

    Oct, 2023

  • 联合图分解和节点标签化：问题、算法、应用

    定义了一个组合优化问题，其可行解定义了给定图形的分解和节点标记，并提出了两种局部搜索算法来高效地找到可行解，应用于计算机视觉任务达到 state-of-the-art 应用特定精度。

    Nov, 2016

  • 非凸优化的递归分解

    本研究提出一种基于问题分解的非凸优化方法 ——RDIS 算法，通过图分割选择变量进行递归设置，将目标函数简化为近似独立的子函数，并证明了其相对于随机重启的梯度下降等标准技术可以指数倍数解决广泛的非凸优化问题。

    Nov, 2016

  • 学习任务分解助力人工角逐编程

    利用语言模型解决复杂问题时，通过将复杂解决方案自动分解为多个简单的部分以更好地帮助人类理解和修复，并提出新的任务分解目标 “AssistV”，通过人类修复经验数据集改进解决方案的可行性和速度，在竞赛编程问题中验证方法，结果显示我们的方法使非专家能够解决更多问题并加快速度，并达到专家级别效果。

    Jun, 2024

  • 在人类协助下的分类

    本研究旨在设计分类器，使其在不同的自动化水平下运行时具有最佳性能。我们提出了一种用于支持向量机的算法，它有近似保证，并对合成和现实数据进行了实验证明，说明在人类协助下，训练以不同自动化水平运行的管理学习模型可以优于全自动化的模型和单独操作的人类，为这个目标展开了新的思路。

    Jun, 2020

  • 产品设计中基于计划的通用功能结构推导

    该文提出一种基于人工智能的新的功能分解方法，使用逻辑解算器在工程学的著名功能库的帮助下定义规划问题来寻找解决方案，通过两个不同的应用示例对算法进行评估验证其通用性。

    Feb, 2023

  • 强优化分类树

    该论文提出了一种基于流的 MIO 表达式，以用于学习最优二叉分类决策树，并可容纳相应的边际约束，从而使决策树设计变得透明和公平。作者通过实验证明，其相较同类现有 MIO 方法，在性能和计算速度方面有明显提升。

    Mar, 2021

  • 图上的端到端学习和优化

    本文提出了一个基于决策的新颖学习方法，将常见图形优化问题的可微分代理作为学习系统中的一层进行集成，其主要思想是学习一个映射将原始优化问题映射到可以高效差分的简单代理问题。实验结果表明，我们的 ClusterNet 系统胜过纯粹的端到端方法（直接预测最优解）和完全分离学习和优化的标准方法。

    May, 2019

  • 全局优化：机器学习方法

    通过使用基于超平面的决策树将非线性约束进行建模，并利用这些树构建原问题的统一混合整数优化（MIO）近似，本研究提出了扩展解决方案，包括使用其他可转化为 MIO 的机器学习模型（如梯度提升树、多层感知器和支持向量机）逼近原问题，提出自适应采样方法以获得更准确的基于机器学习的约束近似，利用鲁棒优化来考虑样本依赖性训练的不确定性，并利用一组松弛方法来处理最终的 MIO 近似的不可行性。然后我们在 81 个全局优化实例中测试了增强的框架，并展示了大多数实例中解的可行性和最优性的改进。我们还与 BARON 进行了比较，在 11 个实例中显示了更好的最优间隙或解决时间。

    Nov, 2023

  • 图分解的端到端学习

    提出了一种基于条件随机场的端到端可训练框架来解决图分解问题，用于图的二值化和特征表示学习，并在 MNIST 和真实世界中的多人姿态估计任务中进行了验证。

    Dec, 2018