实体
Mamo
Mamo
PulseAugur coverage of Mamo — every cluster mentioning Mamo across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新RL方法可自动从自然语言生成优化模型
研究人员开发了一种名为“从求解器结果中建模优化”（OMSO）的新方法，该方法使用强化学习从自然语言描述中自动创建优化模型。该方法通过与数学规划求解器交互来训练模型，将执行结果转化为奖励。OMSO旨在提高可扩展性，并减少对昂贵的流程监督或闭源LLM的依赖，在Gurobi和OR-Tools等各种数据集和求解器上均显示出有效性。
-
新的大语言模型框架增强了运筹学公式制定中的不确定性感知能力
研究人员开发了一个新的框架，用于在大语言模型（LLMs）中应用运筹学（OR），该框架解决了确保数学公式连贯性和正确性的挑战。这种无需训练的方法使用简短的前瞻性仿真来评估中间建模步骤的下游预测不确定性。通过重要性重采样动态选择具有更高一致性公式化可能性的候选者，该框架在各种运筹学基准测试中显著优于标准和低温度基线。
-
新的MAMO系统利用多智能体强化学习解决多目标优化问题
研究人员推出了一种新颖的多智能体强化学习系统MAMO，旨在解决多目标约束优化问题。传统方法通常使用手动选择的权重将成本和约束违反情况嵌入到单一标量奖励中，这在动态环境中可能存在问题。MAMO旨在通过将奖励权重选择视为一个学习问题来解耦任务执行和目标设计，为更自主和鲁棒的解决方案铺平道路。