PulseAugur
中
实时 14:47:48
English(EN) Learning-Augmented Scalable Linear Assignment Problem Optimization via Neural Dual Warm-Starts

神经网络加速线性分配问题优化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的框架，通过将神经网络与传统的精确求解器集成，来加速线性分配问题（LAP）的优化。该方法使用一个名为RowDualNet的神经网络来预测对偶变量，有效地对搜索过程进行热启动，并显著减少计算量。该方法保证了可行性并保持了最优性，在合成数据上实现了超过2倍的速度提升，在真实世界的交通网络上提升高达1.5倍，同时还能处理高达N=16,384的大规模问题。 AI

影响 引入了一种新颖的神经方法来加速组合优化问题，可能影响依赖于高效分配算法的领域。

排序理由 这是一篇详细介绍新算法方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ilay Yavlovich, Jad Agbaria, Muhamed Mhamed, Nir Weinberger, Jose Yallouz ·

    Learning-Augmented Scalable Linear Assignment Problem Optimization via Neural Dual Warm-Starts

    arXiv:2605.09382v2 Announce Type: replace Abstract: The Linear Assignment Problem is a fundamental combinatorial optimization task where classical exact solvers ensure optimality but suffer from an $\mathcal{O}(N^{3})$ bottleneck, while recent neural approximations struggle with …

相关话题