利用对比学习学习混合整数规划问题的后门
提出了一种基于 Monte Carlo Tree Search- BaMCTS 算法,在 Mixed Integer Linear Programming(MIP)中通过构建 backdoor(后门) 数据集来提高 MIP 问题的求解效率。该算法与传统 MIP 概念相结合,且与 CPLEX 求解器紧密集成,成功地优化了 MIPLIB2017 示例的求解效率。
Oct, 2021
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
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
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。
Jun, 2019
提出了一种称作 MIP-GNN 的混合整数规划改进方法,利用图神经网络模型预测混合整数线性规划的变量偏差,并将其集成到一个先进的 MIP 求解器中,针对二进制 MILP 的节点选择和启发式方面展示了与默认设置相比的显著改进。
May, 2022
通过引入机器学习框架加强了解决混合整数线性规划(MILP)的分支策略,特别是通过模仿学习强分支方法,提出了一种新的框架 CAMBranch,借助变量转移生成增强 MILPs(AMILPs),并利用对比学习提高模型的能力从而改善分支决策质量。
Feb, 2024
本文提出了一种离线强化学习方法,将分支定界问题的分支决策作为全局决策问题来解决,并通过排名奖励方案将分支方法的长期优势与短期视野进行区分,建立一个离线 MIP 数据集。作者称该方法比现有的基于启发式方法和现有的深度学习方法在优化算法性能方面更有效。
Jul, 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
本文提出了一种基于理论模型的枝界算法,其用于选择分支变量的方法是对 MIP 问题进行简化后,对选择不同变量可以得到对偶理论的提升(LP gains)的解析式进行计算,并提出了该方法在实验中的有效性。
Nov, 2015
本文提出了一种在线学习方法,用于优化 Mixed Integer Programming (MIP) 中的启发式算法,以适应于不同的实例,并将大邻域搜索和 Diving 两类复杂启发式方法同时控制,实现 MIPLIB 2017 基准测试的节点数减少和速度提升。
Apr, 2023