Nov, 2023

组合优化问题中预测 - 优化范式的反思与基准测试

PDF
TL;DR该研究论文提供了现有方法的综合分类和整合，建立了统一的评估基准，并阐明了端到端训练在不同场景下的改进情况及其表现不佳的背景。此外，还介绍了一个用于工业组合式广告问题的新数据集，以帮助更方便的评估和部署，鼓励在学术界和工业界进一步的改进。
combinatorial optimizationpredict-then-optimizeend-to-end methodsevaluation benchmarksunified benchmark
发现论文，激发创造
  • 不确定性下公平多目标优化的端到端学习

    通过训练技术和应用设置，本文将 PtO 方法扩展到具有不可微分的有序加权平均目标的优化问题，展示了如何在不确定性下有效地将 OWA 函数优化与参数预测相结合，以实现公平和稳健的优化。

    Feb, 2024

  • 代理预测优化：学习预测和优化的联合模型

    从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

    Nov, 2023

  • 智能预测优化硬组合优化问题

    利用 Smart Predict and Optimize (SPO) 方法解决离散优化问题，通过弛化问题和启发式初始化学习和解决，证明了该方法在复杂调度和加权背包等大规模组合优化问题中的优势。

    Nov, 2019

  • 共形上下文鲁棒优化

    基于数据驱动的方法预测后优化决策问题，使用非凸生成模型的情景预测区域构建了 Conformal-Predict-Then-Optimize（CPO）框架，保证了鲁棒性，并通过提供可视化的不确定性区域的语义化摘要，为最优决策提供了定性的直觉。

    Oct, 2023

  • 可再生能源中预测和优化问题的方法比较与评估

    本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案，比较和评估了这些解决方案，并提供了一个基准问题，以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数据，并专注于两个主要挑战：预测可再生能源的生产和需求，并获得活动（讲座）和现场电池的最低成本的最佳方案。最准确的预测由梯度提升树和随机森林模型得出，而优化大多使用混合整数线性和二次规划。

    Dec, 2022

  • 智能 “预测，然后优化

    提出了一种新的框架 —— Smart Predict, then Optimize (SPO)，该框架直接利用优化问题的结构，即目标和约束，来设计更好的预测模型。实验表明，使用 SPO 框架可以显著提高预测 - 优化范例下的性能。

    Oct, 2017

  • 从单目标问题到多目标问题的关键知识学习：KAB2S 方法

    本文提出了一种新的进化计算研究方法 —— 进化传递优化（ETO），通过这种方法能够实现有关经验和已解决问题中的知识的零重用范式的克服，同时在离散情况下解决多目标优化问题遇到单目标优化问题。关键的就业知识，如基于遗传算法的位置构建模块，可以通过新的核心转移机制和学习技术用于排列流水车间调度问题 (PFSP) 的 ETO-PFSP 框架，并为工业应用做出了贡献。

    Jun, 2022

  • ETO Meets Scheduling: 从单目标问题学习关键知识以解决多目标问题

    本文介绍了一种新的进化计算方法 —— 进化传递优化（ETO），可在传统进化计算问题中避免经验和知识的零重用。通过 ETO 实现智能调度和绿色调度，并在 PFSP 问题中学习和转移关键知识，得到了相对有效和巨大潜力的 ETO-PFSP 框架。

    Jun, 2022

  • 端到端的约束优化学习：综述

    本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。

    Mar, 2021

  • 预测优化框架下的决策树决策

    该研究探讨了在 “先预测，再优化” 框架下使用决策树进行决策问题的决策，并提出了一种可观的方法称为 SPO Trees (SPOTs) 用于训练决策树，该方法具有较高的解释性。实验结果表明，SPOTs 可提供更高质量的决策，并显著降低了模型复杂性。

    Feb, 2020