MIPLIBing: Seamless Benchmarking of Mathematical Optimization Problems and Metadata Extensions
PulseAugur coverage of MIPLIBing: Seamless Benchmarking of Mathematical Optimization Problems and Metadata Extensions — every cluster mentioning MIPLIBing: Seamless Benchmarking of Mathematical Optimization Problems and Metadata Extensions across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架HeurEvo为优化问题自动化启发式设计
研究人员开发了HeurEvo，一个用于智能演化混合启发式算法的新框架，该框架专为时间关键型数学优化而设计。该系统共同演化算法结构、它们的实现以及可重用组件的共享池。通过将规划器、编码器和组件演化器与解释器代理集成，HeurEvo可以在严格的运行时约束内发现高质量的解决方案，在复杂的基准测试中通常优于传统的优化求解器。
-
大型语言模型与贝叶斯优化结合调优 MIP 求解器
研究人员开发了 GRIMIP，一个将大型语言模型 (LLM) 与贝叶斯优化相结合以专门配置混合整数规划 (MIP) 求解器的新型框架。这种混合方法允许 LLM 在优化循环中充当代理模型，从而提高效率并降低采样和评估成本。GRIMIP 在多个基准测试中显著减少了硬实例的求解时间，其性能优于现有的 LLM 辅助优化方法。
-
大型语言模型与贝叶斯优化结合，实现高效的 MIP 求解器配置
研究人员开发了 GRIMIP，一个结合了大型语言模型 (LLM) 和贝叶斯优化 (BO) 的新颖框架，可高效配置混合整数规划 (MIP) 求解器。这种混合方法允许 LLM 在 BO 循环中充当概率代理，降低搜索和评估成本。GRIMIP 在七个基准的挑战性实例上实现了超过 40% 的对偶积分（Primal-Dual Integral）的显著改进，优于 SMAC 和其他 LLM 辅助 BO 技术等现有方法。