integer linear programming
PulseAugur coverage of integer linear programming — every cluster mentioning integer linear programming across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的ILP模型精炼成本约束计划缩减
研究人员开发了一个精炼模型，用于从预计算的计划中提取最优成本约束子计划。当初始计划制定后出现预算限制时，这是一项关键任务。这种新方法在成本限制内最大限度地提高了效用，同时保留了原始动作顺序和可执行性。该研究引入了一种增强的整数线性规划（ILP）公式，显著减小了模型规模并提高了计算效率，该研究建立在ICAPS 2026上发表的先前工作的基础上。
-
新研究详细介绍了逆向优化的显式迭代复杂度
一篇新发表在arXiv上的论文详细介绍了求解数据驱动逆向优化问题的显式迭代复杂度，特别是针对整数线性规划。该研究提供了一种方法来界定投影次梯度下降算法为实现与观测数据精确一致所需的迭代次数。该界限表示为问题大小、特征维度、特征范围和约束矩阵结构的函数，克服了先前此类界限未明确定义的局限性。
-
具身人工智能研究在接地世界模型和代理协作方面取得进展 · 跟踪了 8 个来源
近期研究探讨了具身人工智能的进展，重点关注生物系统如何通过环境互动获取接地世界模型。论文讨论了将人工智能智能集成到物理机器人中的框架，例如 SPINE，旨在减少对专家校准的需求。其他研究调查了人机交互作为神经可塑性训练环境，并提出了能够从经验中学习的自演化具身代理的方法。此外，研究还检查了异构代理之间的容错协作以及通过对话对齐世界模型以改善协调。
-
新逻辑方法优化项目调度中的能源成本
研究人员开发了新颖的方法来解决包含用电时段电价和机器状态的资源受限项目调度问题（RCPSP）。提出的方法包括一种整体约束规划（CP）方法和一种基于逻辑的Benders分解（LBBD）方法。LBBD方法将用于能源成本优化的整数线性规划与用于调度的CP相结合，其性能显著优于整体CP和紧凑型ILP对应方法，成功解决了多达480个任务的实例。
-
新框架优化CPU-CIM系统中的机器学习工作负载划分
研究人员开发了一个新的框架，用于在中央处理器（CPU）和计算内存（CIM）加速器之间划分机器学习工作负载。该框架通过考虑阻变随机存取存储器（RRAM）的约束、并行性和CPU作为补充资源的角色，解决了现有方法的局限性。提出的基于整数线性规划（ILP）的方法可以最小化推理延迟，并已显示出显著的加速效果，在边缘CPU上实现了高达30.9倍的CPU独立执行速度，在高性能CPU上实现了7.3倍的速度。
-
基于Transformer的机器学习优化护理出租车调度
研究人员开发了一种基于Transformer架构的新机器学习方法，用于优化护理出租车的调度。该方法解决了轮椅使用、用户兼容性和车辆限制等复杂约束，而这些约束在先前基于神经网络的路由解决方案中常常被简化。该方法包括在整数线性规划求解器生成的高质量解决方案上训练模型，然后进行后处理以确保满足所有约束。实际数据显示，该方法实现了均衡的解决方案，在某些问题规模下将运营时间减少了高达8%，同时最大限度地减少了约束违反。
-
新的机器学习框架通过覆盖率约束解决交叉偏见问题
研究人员开发了一个新的框架来缓解机器学习模型中的偏见，特别是针对种族和性别等多个敏感属性交叉的个体。该方法结合了覆盖率约束，以确保所有子群体（包括交叉群体）都有足够的代表性。该方法将偏见缓解构建为整数线性规划问题，优化策略并量化“公平性代价”作为容忍度的函数，从而能够在减少偏见和数据修改成本之间做出明智的权衡。在公共数据集上的评估表明，该框架能够保持预测准确性和下游机器学习性能。
-
新的量化方法 MODE 削减 MoE-MLLM 内存成本
研究人员推出了一种新颖的量化框架 MODE，旨在降低混合专家多模态大语言模型 (MoE-MLLMs) 的显著内存成本。该框架解决了现有方法中阻碍性能的专家重要性估计偏差。通过按模态分解专家选择频率并过滤冗余视觉标记，MODE 旨在提高量化精度，尤其对文本关键专家而言。实验表明，MODE 实现了大幅压缩，即使在极端比特宽度设置下，性能损失也很小。
-
新框架诊断视频实例分割中的跟踪不稳定性
研究人员开发了一个新的诊断框架，用于分析视频实例分割（VIS）中的性能瓶颈。该框架使用整数线性规划（ILP）来分离分类、分割和跟踪目标中的错误来源。分析显示，跟踪不稳定性是在线VIS方法的一个主要问题，尤其是在较长的视频或更密集的场景中，并且更强的骨干网络并不能显著提高跟踪性能。
-
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。