Combinatorial Optimization Problems
PulseAugur coverage of Combinatorial Optimization Problems — every cluster mentioning Combinatorial Optimization Problems across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的 OptiDSL 框架使用 DSL 和 LLM 进行优化建模
研究人员推出 OptiDSL，一个旨在改进组合优化问题 (COP) 建模的新框架。与主要使用混合整数线性规划 (MILP) 的现有系统不同，OptiDSL 利用领域特定语言 (DSL) 和大型语言模型 (LLM) 将问题表述与执行分离开来。这种方法允许与更广泛的求解器集成，包括启发式和基于学习的方法。在 44 种 COP 类型上的实验表明，与基于 MILP 的管道相比，OptiDSL 在表述准确性方面提高了 51.66%，建模时间减少…
-
新的机器学习方法回收用于优化问题的动态规划结果
研究人员开发了一种新颖的机器学习方法，该方法可以回收动态规划的计算结果来解决组合优化问题。这种基于水库计算的方法使用记录的动态规划结果作为线性回归的特征，从而辅助其他计算。在旅行商问题和子集和问题上进行测试时，与独立解决每个问题相比，这种多路复用技术显示出更高的近似精度和更短的计算时间。研究结果提出了一个新的计算范式，其中多个过程可以有效地共享和重用中间结果和状态。
-
大语言模型推动组合优化问题的自动化启发式设计
两篇新研究论文介绍了用于组合优化问题的自动化启发式设计的高级框架，利用大语言模型（LLMs）来提高性能。ReVEL 利用多轮反思式大语言模型指导和结构化性能反馈，将启发式方法组织成行为感知组，以进行本地化和探索性优化。PathWise 采用多智能体推理系统，结合世界模型和蕴含图，将启发式生成规划为一个顺序决策过程，允许进行状态感知规划和推导信息的重用。这两种方法都证明了在不同大语言模型骨干和问题设置下，能更快地收敛到更好的启发式方法并实现泛化。
-
LLM驱动的A2DEPT通过进化程序树设计算法
研究人员开发了A2DEPT，一种利用大型语言模型（LLM）作为系统级架构师的自动化算法设计新方法。与依赖固定模板的先前方法不同，A2DEPT使用进化程序树来探索更广泛的算法结构。该方法包含一个由反馈驱动的修复机制，以确保可执行性，并在各种基准测试中展示了优于现有基于LLM的技术的性能。