- City-LEO:基于端到端优化的透明城市管理系统
我们提出了一个大型语言模型(LLM)的代理人(“City-LEO”),通过交互式对话提高城市管理的效率和透明度,以生成更相关和准确的解决方案。在 E2E 框架的决策过程中,City-LEO 还整合了预测和优化,以应对环境不确定性,并实现透明 - ORLM:训练大型语言模型用于优化建模
通过训练开源的大型语言模型(LLMs)来处理自动化优化建模中的数据隐私问题,提出了定制化合成数据的半自动化过程(OR-Instruct),并在实际应用中实现了显著改进的优化建模能力。
- 可靠的不确定性与便宜的神经网络集成:工业零件分类的案例研究
本研究比较了单一神经网络、深度集合和三种高效神经网络集合的性能,结果表明批量集合是一种性价比高且与深度集合相比在不确定性和准确性方面表现更好的替代方案。
- 运筹学的人工智能:革命性地改进运筹学过程
人工智能与运筹学的融合为多个领域带来革命性的机会,通过综述最新研究现状并探讨人工智能在运筹学中的潜力,本文旨在激发对于开发人工智能增强运筹学方法和工具的进一步研究和创新,并通过提供相互协同作用带来的显著进步和新颖解决方案来推动更有效和高效的 - IJCAI利用语言模型进行旅行行程推荐
利用语言模型进行旅行行程推荐和规划,包括使用词嵌入技术和基于 BERT 的技术来学习 POI 嵌入和生成行程。
- 路由竞技场:一个神经路由求解器的基准测试套件
神经组合优化是一项近年来研究热点,然而现有评估方法存在缺陷,对于旧有的运筹学方法也存在忽视。为改进这些问题,本研究提出了一个路由问题基准套件 ——Routing Arena。该评估方法考虑不同应用的解决方案质量和任意性能,并引入了新的评估度 - 医院综合规划:综述
文章介绍了针对医院资源综合规划的运筹学及管理科学文献综述,分析不同方面的研究,提出分类和未来研究方向。
- 不确定情况下决策上下文优化方法综述
本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题,识别了三种从数据中学习策略的主要框架,并讨论了它们的优点和局限性。
- 一项多功能的多智能体强化学习库存管理基准测试
本文介绍了一个名为 MABIM 的多代理数据集。作者使用该数据集对一些方法在多商品多层次库存管理问题的性能进行了评估,并探讨了多益智智能算法在实际行业中的应用。
- 预测性流程监控中机器学习不确定性的量化和解释:运筹学视角
本文介绍了一个多阶段综合的机器学习方法,有效地将信息系统和人工智能相结合,以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制,例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来 - 自动识别命名实体并突出显示以自动生成优化问题
本研究使用机器学习将线性规划的数学问题描述转化成相应的数学公式,利用输入中的命名实体和增强输入突出这些实体,并在 NL4Opt 竞赛中取得了最高准确率和第一名的成绩。
- AAAI基于树形 LSTM 的多智能体路径规划
本文提出一种新的强化学习方法,使用了 TreeLSTM 等网络结构和多个策略,以及集中式控制等技术,从而在 Flatland3 Challenge 中获得了高分数,与目前排名前 2-3 的运筹学方法相当。
- 机器学习应用于车辆路径问题的计算测试指南
本文探讨基于数据驱动分析的机器学习算法在车辆路径问题 (VRP) 上的应用,并针对不同算法评估方式可能产生的挑战提出了解决方案,希望能促进运营研究和机器学习领域的合作。
- Flatland Competition 2020: 基于网格世界的高效火车调度的 MAPF 和 MARL
该研究通过 Flatland 竞赛评估了多种协调机制来解决运输网络中的车辆重新调度问题,评估了使用多智能体强化学习等协调机制解决此问题的可行性并提出了优化方案。
- 基于图神经网络的组合优化和推理
本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络(GNNs)的组合优化求解方法和算法进行概述,以此向优化和机器学习研究者介绍这一领域的最新进展。
- 组合优化的强化学习:一项调查研究
本文综述了近期在强化学习领域中在解决组合优化问题方面的进展,包含了 RL 框架与传统算法的比较以及各方法解决不同问题的时间线,结果表明基于 RL 的模型成为解决组合问题的方向值得期待。
- 在信息不足的情况下预测操作计划问题的战术解决方案
研究人员提出了一种快速预测给定操作问题的战术解决方案的方法,并将其作为二阶最优预测随机程序来规范化问题,利用监督机器学习算法进行预测。与随机程序的样本平均逼近相比,深度学习算法在非常短的计算时间(毫秒或更短)内产生高度准确的预测。
- 随机非光滑优化的交错时间平均算法及 O (1/T) 收敛性
本文研究了基于随机子梯度优化的非光滑函数的优化问题,提出一种具有 O(1/T)收敛率的算法,并且证明在去除局部 polyhedral 假设时具有一般的收敛性,最后,在确定性问题的特殊情况下,在局部 polyhedral 假设上的收敛性得到了 - NESTA,NICTA 能源系统测试案例归档
该研究旨在评估并优化电力系统的测试案例,并开发了一个名为 NESTA 的综合档案库来支持这一过程。
- 从预测性分析到指导性分析
该论文结合了机器学习和运筹学的想法,提出了一种基于数据的最优决策框架和方法,应用于条件随机优化问题中,证明了该方法的实用性和广泛适用性,并通过一个库存管理问题的实际案例展示了该方法的优越性。