Mixed Integer Linear Programming
PulseAugur coverage of Mixed Integer Linear Programming — every cluster mentioning Mixed Integer Linear Programming across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
GraphBU生成器使用图原生单元创建MILP实例
研究人员开发了GraphBU，一种用于创建混合整数线性规划（MILP）实例的新型图原生生成器。该方法利用具有接口的局部子问题作为基本单元，促进节点与主约束或边界变量的耦合。GraphBU旨在保留MILP实例的结构属性，这对于求解器开发和训练学习策略至关重要。该生成器在保持与源系列相似的图统计数据、在数据集中保留可行性以及改进下游的预测与搜索训练方面已取得成功。
-
新的对偶注意力模型推动混合整数线性规划解决方案的进步
研究人员开发了一种新颖的神经网络架构，旨在改进混合整数线性规划（MILP）问题的求解。该新模型利用对偶注意力机制，该机制同时执行类内自注意力和类间交叉注意力，以更好地将 MILP 实例表示为变量-约束二分图。在三个不同的任务上进行了测试，基于注意力的模型与现有的图神经网络（GNN）方法相比，表现出了更优越的性能，表明为学习增强的组合优化提供了更强大的基础。
-
新的AI框架通过多智能体精炼解决优化问题 · 跟踪4个来源
研究人员推出OptiAgent，一个多智能体框架，旨在将运筹学问题的自然语言描述转化为求解器就绪的数学公式和可执行代码。该系统采用专门的智能体进行结构提取和迭代自我纠正，并设有一个新颖的多循环验证架构来处理各种故障模式。另外，一个名为MMAO-Dyn的新变体已被开发出来，它通过将内部状态映射到非平稳环境来扩展代谢多智能体优化器（MMAO）以处理动态优化问题。MMAO-Dyn在动态连续优化任务中的性能优于几种基准方法。
-
探索用于可解释机器学习的最优模型树
研究人员探索了为机器学习任务创建全局最优模型树的方法。与专注于局部优化的传统贪婪方法不同，该方法旨在获得整个数据集的最优树结构。该研究调查了这些最优模型树的性能，特别是那些在其叶节点使用线性支持向量机的模型树，并将它们与包括经典决策树、随机森林和标准支持向量机在内的各种其他方法进行了比较。
-
新AI方法N(CO)$^2$解决随机优化问题
研究人员开发了N(CO)$^2$，这是一种新颖的神经组合优化方法，旨在解决随机导向问题（SOP）。该方法集成了强化学习框架，用于在不确定性下优化路径选择，消除了手动设计启发式方法的需要。实证结果表明，N(CO)$^2$在各种SOP实例上与最先进的混合整数线性规划（MILP）技术相比具有竞争力，减少了启发式设计中的人为努力，并实现了自适应决策。
-
研究显示电池损耗成本可能超出节能成本的1060%
一项新近发表在arXiv上的研究探讨了仅以能源成本为优化目标的家庭能源管理系统（HEMS）中电池损耗的隐藏成本。研究人员使用混合整数线性规划模型，并结合REFIT数据集的数据，分析了不同尺寸电池和光伏（PV）系统在损耗成本方面的敏感性。研究结果表明，在某些情况下，损耗成本可能显著超出节能成本的节省，最高可达1060%，这凸显了在HEMS中采用考虑损耗的控制方案的必要性。
-
LLM框架实现露天矿近乎最优的调度
研究人员开发了一个名为Sim2Schedule的新框架，该框架利用大型语言模型（LLM）进行自主露天矿调度。该系统集成了LLM和一个定制模拟器来生成开采和加工计划，无需基于云的推理或重新训练即可运行。与传统的混合整数线性规划（MILP）方法相比，该框架实现了94%至99%的最优净现值（NPV），同时在计算时间上表现出线性可扩展性。这种方法为复杂的工业调度问题提供了一种实用且可适应的替代方案。
-
新的AdaSolver方法增强了MILP求解器的泛化能力
研究人员开发了一种名为AdaSolver的新方法，以提高基于机器学习的混合整数线性规划（MILP）求解器的泛化能力。该方法通过使用对抗性实例生成来增强训练数据，解决了现有求解器在遇到新的或大规模MILP实例时出现的性能下降问题。AdaSolver将实例增强构建为一个上下文老虎机问题，允许对求解器和增强策略进行对抗性训练，这是一种用于提高模仿学习和强化学习求解器泛化能力的新颖技术。
-
新基准套件评估运筹学中AI的自纠错能力
研究人员开发了ORLoopBench，这是一个旨在评估和改进运筹学（OR）中AI模型自纠错和行为理性能力的新基准套件。该套件包括OR-Debug-Bench，其中包含超过5000个用于修复不可行线性规划（LP）和混合整数规划（MILP）模型的实例，以及用于评估决策理性能力的OR-Bias-Bench。使用求解器内循环方法训练一个8B参数模型，显著提高了其在LP修复任务上的性能，超越了当前前沿API。
-
新理论将机器学习与混合整数线性规划的拉格朗日松弛联系起来
研究人员开发了一种理论上可靠的方法，利用机器学习来改进混合整数线性规划（MILP）的拉格朗日松弛（LR）。新方法被构建为数据驱动算法设计，为学习到的乘数提供了 O(s^1.5/sqrt(N)) 的泛化界限，并建立了 Omega(s/sqrt(N)) 的极小极大下界。论文证明了带有平均法的随机梯度上升实现了这一最优速率，并将该框架进一步扩展到学习到热启动的设置，其极小极大最优速率为 Theta(s/N)。
-
混合CDCL与CP-SAT架构加速设施布局优化
研究人员开发了一种结合了冲突驱动子句学习（CDCL）和CP-SAT求解器的混合架构，以加速离散设施布局优化。虽然CDCL擅长快速找到高度约束问题的可行解，但它在优化目标方面存在困难。新方法使用CDCL生成可行性提示，然后将其输入CP-SAT优化器，从而显著加快找到最优解的过程。
-
新的CP方法优化树集成模型的反事实解释
研究人员开发了一种名为CPCF的新约束编程（CP）方法，用于计算树集成模型中的最优反事实解释。该方法将数值特征编码为区间域，并将离散特征用原生的有限域表示，从而无需连续边界分析即可实现高效搜索。该研究在各种数据集和树集成类型上将CPCF与MaxSAT和MILP方法进行了比较，发现CP是最通用且性能普遍最好的方法。
-
研究人员开发用于电动汽车叫车服务的半马尔可夫强化学习，提高利润并确保可行性。
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于管理大规模电动汽车叫车车队。该方法确保调度、重新定位和充电决策严格遵守充电器和馈线限制等物理约束，即使在需求和出行时间不确定的情况下也是如此。该系统利用掩码执行器产生高级意图，然后通过混合整数线性规划进行投影以保证可行性。在纽约市出租车数据集模拟器上的实验表明，名为 PD--RSAC 的方法显著优于基线方法，净利润达到 122 万美元，同时避免了任何馈线限制违规。
-
研究人员开发新的神经网络训练方法以提高MILP可解性
研究人员开发了用于神经网络代理模型的新训练正则化器，可直接提高其在混合整数线性规划（MILP）中的可解性。这些正则化器会惩罚诸如big-M常数和不稳定神经元等因素，并明确解决LP松弛差距。实验表明，这些方法在保持精度的同时，可以将MILP求解时间缩短多达四个数量级。
-
深度学习框架加速电力电网单元承诺
研究人员开发了一个新的深度学习框架来解决电力电网中复杂的单元承诺（UC）问题。这种基于Transformer的方法可以预测72小时内的发电机调度，并结合后处理启发式方法来确保物理可行性。然后，该框架将这些精炼的预测作为传统混合整数线性规划（MILP）求解器的预热启动，从而显著减少计算时间和提高可行性。
-
AI框架融合LSTM和MILP以改进供应链预测和优化
研究人员开发了一种新颖的混合AI框架，用于需求-供应预测和优化（HAF-DS），以提高易受波动影响的行业的供应链效率。该框架集成了长短期记忆（LSTM）网络用于需求预测，以及混合整数线性规划（MILP）模型用于运营决策。实验表明，HAF-DS显著降低了预测误差和运营成本，从而降低了库存成本并减少了缺货情况。