Nov, 2023

带有未知参数约束的混合整数线性规划的两阶段预测 + 优化

PDF
TL;DR我们提供了一个新的更简单更强大的框架称为 Two-Stage Predict+Optimize，可用于预测和优化的设置中，通过训练算法涵盖了所有混合整数线性程序，并且实验证明我们的训练框架在所有传统和最先进方法上具有卓越的预测性能。
constrained optimizationpredict+optimizeunknowns in constraintstwo-stage predict+optimizetraining framework
发现论文，激发创造
  • 在约束条件未知的情况下，预测并优化装箱和覆盖线性规划问题

    本文提出了一个新的 Predict+Optimize 框架，可以处理既有在优化目标又有在约束条件中的未知参数，引入了校正函数和惩罚项来解决相关问题，同时提出了一种可处理所有 packing 和 covering 线性方程的算法，实验证明该方法比传统方法表现优秀。

    Sep, 2022

  • 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

  • 一个可扩展的机器学习优化框架用于连续决策

    我们提出了一个集成的预测 - 优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器 - 解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于 0.1%。我们将 PredOpt 与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt 对于需要立即且重复求解的动态 MIP 问题具有优势。

    Nov, 2023

  • 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

  • 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

  • 递归迭代问题中的分支学习方法预测与优化

    本文提出了 Branch & Learn 框架，用于通过构造递归算法来直接建立相应的学习算法并解决包含未知参数的优化问题。经过广泛的实验，我们的提议表现优于经典方法和现有技术。

    May, 2022

  • 基于事后校正的分支学习算法用于带未知参数约束的预测优化问题

    该论文提出了一种利用机器学习和约束优化相结合的方法来解决包含在求解时未知参数的优化问题。通过引入损失函数后验后悔来处理包含约束的未知数值，该方法首次提出可以精确计算后验后悔以解决原来只能使用估计算法的问题，并在大量实验中成功优化了针对线性规划问题的试验方案。

    Mar, 2023

  • 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

  • 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

  • 基于线性规划的预测和优化的内点求解

    通过使用对数障碍项而不是二次惩罚项和神经网络的优化问题解决方案，实现了优化问题的解决方案，结果表明其效果与基于二次规划任务损失的公式以及 SPO 方法一样好，甚至更好。

    Oct, 2020