Gurobi
PulseAugur coverage of Gurobi — every cluster mentioning Gurobi across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的基于SAT的框架解决了图标记问题
研究人员引入了一个新的框架来解决最小跨度反带宽和循环反带宽标记（MSABL/MSCABL）问题。这些问题是图标记任务的变体，侧重于最小化标记的跨度同时保持相邻顶点之间的最小距离。提出的方法利用基于布尔可满足性（SAT）的方法，将问题分解为一系列决策问题，并利用单调性来加速搜索。该研究还探讨了并行和增量SAT求解策略，证明了它们在基准实例上相对于CPLEXCP、CPLEXMIP和Gurobi等成熟求解器的有效性和竞争力。
-
新AI方法通过预测解的一致性来加速MILP求解 · 跟踪2个来源
研究人员开发了一种新颖的方法来加速混合整数线性规划（MILP）求解，重点关注早期和最终解之间的一致性。该方法预测早期变量分配是否会在全预算解中持续存在，从而更有效地指导搜索过程。实验显示出显著的改进，其中一个模型在使用Gurobi时将对偶间隙平均减少了56.9%，转移到SCIP时则减少了36.4%。
-
新的ODTlearn Python软件包支持最优决策树学习
一个名为ODTlearn的新开源Python软件包已发布，该软件包专为学习最优决策树而设计。该软件包实现了用于预测和处方任务的最先进混合整数优化框架。ODTlearn支持多种最优树类型，包括分类树、公平分类树以及对分布变化具有鲁棒性的树，并且易于维护和扩展。
-
LLM生成图用于约束优化，性能超越Gurobi基线
研究人员开发了一种新颖的流程，该流程使用大型语言模型（LLM）为约束优化问题生成与问题无关的图。通过使用语义指南提示LLM，该系统创建了一个图生成器，将MiniZinc实例映射到统一加权图，将决策变量表示为节点，将约束表示为边。这种图表示指导用于变量选择的基于结构的局部改进框架（SLIM）。在20个MiniZinc竞赛问题上的评估显示性能显著提高，LLM引导的方法在平均问题加权胜率上比Gurobi基线提高了39.5%，是最佳单一配置的两倍多。
-
新方法从分散的研究中挖掘铁路重新调度模型
研究人员开发了一种名为 LP Mining with LP2Graph 的新方法，用于系统地从数百篇分散的混合整数线性规划 (MILP) 论文中提取和组织知识。该方法将每个公式表示为一种类型化的变量-方程图，从而创建了一个可复现的数据集和模型类型的客观分类。该系统通过使用 Gurobi、CBC 和 HiGHS 等求解器重新生成和重新求解公式来验证其表示，旨在为铁路重新调度等领域的自动化模型开发提供结构化基础。
-
新方法从数百篇 MILP 论文中构建铁路重新调度知识体系
研究人员开发了 LP Mining with LP2Graph，一种从数百篇关于混合整数线性规划（MILP）在铁路重新调度中应用的文章中提取和构建知识的新方法。该方法将每个公式表示为一种类型化的变量-方程图，创建了一个可复现的数据集和一个模型类型的客观分类。该系统已通过使用各种求解器重新生成和重新求解公式得到验证，展示了其在铁路重新调度中自动化模型开发的潜力。
-
新方法预测组合拍卖问题的难度
一篇研究论文提出了一种解决组合拍卖中获胜者确定问题（WDP）的新方法，该问题已知是NP难的。该论文不试图用图神经网络（GNN）取代现有的求解器，而是专注于预测特定实例是否对快速贪婪启发式方法来说过于困难。研究人员开发了一种使用多层感知器（MLP）的轻量级分类器，该分类器能够高精度地预测贪婪算法的最优差距。对于被识别为困难的实例，采用了专门的GNN求解器，其在对抗性配置上的表现明显优于贪婪方法。这种混合方法结合了难度分类器以及GNN和贪…
-
新算法解决复杂多人博弈中的纳什均衡问题 · 跟踪3 个来源
研究人员开发了一种名为“投影可利用性下降”（Projected Exploitability Descent, PED）的新算法，用于近似计算具有不完美信息的复杂多人博弈中的纳什均衡。该算法最小化了可利用性函数的一个代理目标，这是一个非凸且不光滑的目标。虽然 PED 在长时间运行中表现出持续的改进，但最初的性能不如已有的方法，如虚构博弈（Fictitious Play, FP）和反事实遗憾最小化（Counterfactual Regr…
-
LLM约束注入方法提高了优化建模的准确性
研究人员开发了一种名为约束注入的新方法，以改进大型语言模型处理复杂优化问题的方式。该技术解决了LLM在其代码中错误地添加或省略约束的问题，这可能导致解决方案有缺陷。该方法使用名为VRPCoder的模型对车辆路径问题进行了测试，成功率达到93%，并且优于现有的LLM。
-
新的无求解器框架解决整数线性规划
研究人员开发了一种新颖的无求解器框架来解决整数线性规划（ILP）问题，这在组合优化中很常见。这种新方法直接探索可行区域，而不依赖于传统的求解器或机器学习训练。它在其转移核中使用了局部平衡提议，并结合了并行退火，包括一种新的惩罚退火技术，该技术可调整约束障碍。与SCIP和Gurobi等成熟求解器相比，该框架在多个基准测试中表现出更优越的性能，并且比基于学习的方法对分布变化具有更强的鲁棒性。