基于数据驱动的神经网络算法设计及其在分支定界中的应用

Feb, 2024

基于数据驱动的神经网络算法设计及其在分支定界中的应用

Data-driven algorithm design using neural networks with applications to branch-and-cut

Hongyu Cheng, Sammy Khalife, Barbara Fiedorowicz, Amitabh Basu

TL;DR数据驱动算法设计通过使用统计和机器学习技术，从一个算法类中选择一个在某个（未知）分布中期望表现最佳的算法。该论文提出了一种在解决问题时可以基于问题实例选择算法的思想，并应用于混合整数优化的分支切割框架中，通过神经网络在决策中起到重要作用。

Abstract

data-driven algorithm design is a paradigm that uses statistical and machine learning techniques to select from a class of algorithms for a computational problem an algorithm that has the best expected performance with respect to some (unknown) distribution on the instances of the prob

data-driven algorithm design statistical and machine learning techniques neural network sample complexity bounds branch-and-cut framework

发现论文，激发创造

图卷积分支与界

使用深度学习模型在优化流程中的有效性进行了论证，通过将图卷积分支限界与经典的分支限界算法相结合，实现了更快速的解决旅行商问题的路径的识别。

Jun, 2024

学习分支

使用机器学习确定任何一组划分程序的最佳加权，并通过实验证明，学习如何分叉在实践中非常有益，可以显著减小树的规模。

Mar, 2018

基于整数规划的算法选择问题的最优决策树

本文提出了基于整数规划的方法来构建用于算法选择问题的决策树，并使用 COIN-OR Branch & Cut solver 实现的线性规划算法进行了实验。实验结果表明，该方法具有很好的泛化性能且未过度拟合。

Jul, 2019

学习整数规划的切割函数生成

使用分支切割算法解决大规模整数规划问题时，关键步骤之一是选择有效的约束条件（切割平面）来减少最优解搜索空间。该论文扩展了数据驱动选择最佳切割平面生成函数的概念，并探索了使用神经网络进行依赖于实例的切割平面生成函数选择的样本复杂性。

May, 2024

分治网络

该论文介绍了基于观察输入输出对的算法任务的学习方法，使用分而治之的思想创建了递归动态定义的神经网络结构来优化计算复杂度，并成功应用于凸包，聚类等多项组合问题的求解。

Nov, 2016

学习选择剪枝以提高混合整数规划效率

本文提出了一种数据驱动的、可推广的割平面方法 Cut Ranking，用于选择多实例学习中的切割。通过训练一个由特征决定的评分函数，该方法被证明比传统的启发式算法更为有效，可适用于具有不同特性的多种问题，且在实验和在线 A / B 测试中效果显著。

May, 2021

基于模型的深度学习

本文介绍了一种新的信号处理和机器学习交叉领域的混合技术 —— 基于模型的深度学习系统。这种新技术结合了传统的数学模型与深度学习的优势，可以通过限定的数据量学习数据，同时保留先前领域知识，以期获得更高效的性能。本文提出了一种新的系统分类方法，并提供了具体的指南和来自最近文献的信号处理案例，以帮助未来基于模型的深度学习设计与研究。

Dec, 2020

走向以人口信息为基础的结构动力数据驱动模型定义方法

通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型，为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。

Jul, 2023

整数规划切割平面的机器学习：一项调查

本论文调查了机器学习在选择混合整数线性规划中剪切平面的技术上的应用，通过使用数据来确定有希望的剪辑以加速 MILP 实例的解决方案，并分析文献中的实证结果以量化已经取得的进展，并建议未来的研究方向。

Feb, 2023

可微分算法学习

本论文探讨了算法监督的概念，提出了一种连续松弛算法的一般方法，定量评估了算法和神经网络的组合对性能和效率的增益，并探讨了在算法中引入可微性的各种不同技术和训练策略。

Sep, 2022