mixed-integer optimization
PulseAugur coverage of mixed-integer optimization — every cluster mentioning mixed-integer optimization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
FormuEvo 使用 LLM 引导的进化来创建高效的 MIP 公式 · 跟踪 3 个来源
研究人员开发了 FormuEvo，这是一个利用 LLM 引导的进化来发现更高效的混合整数规划 (MIP) 公式的创新框架。该方法解决了当前 LLM 的局限性，这些 LLM 通常优先考虑语义正确性而非公式的强度，从而阻碍了求解器的性能。FormuEvo 采用进化优化，使用 LLM 驱动的操作和求解器统计数据进行有针对性的改进，并结合结构化内存以实现可重用策略。实验表明，FormuEvo 的性能显著优于现有方法，将求解器速度提高了 5.5…
-
输入凸神经网络在优化方面优于前馈神经网络
研究人员引入了输入凸神经网络（ICNNs）作为传统前馈神经网络（FNNs）在数学优化问题中的更优替代方案。ICNNs 因其凸结构提供了计算优势，能够实现更紧密的线性规划松弛，并可能消除积分间隙。虽然具有 ReLU 激活函数的前馈神经网络可以重新表述为混合整数规划问题，但 ICNNs 通过上图表示允许进行基于 LP 的重新表述。在人道主义粮食援助、油井选址和葡萄酒调配等领域的案例研究表明，ICNNs 在匹配 FNN 准确性的同时，提高了…
-
新的混合整数规划方法提供更快的变化点检测
开发了一种新的离线多变化点检测混合整数规划（MIP）方法，将该问题构建为全局最优分段线性拟合任务。该方法引入了具有线性规划松弛的强化MIP公式，该松弛对分段分配变量提供积分投影，从而提供比现有技术更严格的松弛。该框架还扩展到具有共享变化点的多维分段线性模型，计算实验表明与当前最先进的方法相比，求解时间显著减少。
-
新的STL-GO方法应对复杂的多智能体规划挑战
研究人员开发了两种新方法，一种基于混合整数规划（MIP），另一种基于可满足性模理论（SMT），以解决具有复杂时空和拓扑约束的多智能体规划问题。这些方法利用一种称为带图算子的时空逻辑（STL-GO）的形式化来管理复杂的智能体交互和动态图拓扑。这些编码的有效性在多UAV搜救基准测试中得到了证明，展示了它们处理具有不同团队规模和图复杂性的动态多图交互的能力。
-
LLM框架通过选择最佳运筹学公式来优化库存分配
研究人员开发了一个利用大型语言模型（LLM）的新型框架，用于为多仓库库存分配问题选择最有效的运筹学（OR）公式。该方法解决了没有单一公式能在各种操作场景中始终表现最佳的挑战。该框架采用监督微调和组相对策略优化，并以混合整数规划求解器评估为指导来训练LLM选择器。使用京东（JD.com）的数据进行的实验表明，与现有方法相比，选择准确性和实际分配质量都有显著提高。
-
新的动态规划方法增强了优化技术
研究人员通过将域无关动态规划（DIDP）作为通用定价求解器，开发了一种新的列生成和分支定价（B&P）优化技术方法。该方法旨在克服传统 B&P 方法的局限性，传统方法通常需要针对特定问题结构定制定价算法。新的基于 DIDP 的求解器在四个问题类别中表现出改进的性能，其性能优于现有的自动化 B&P 求解器以及那些使用混合整数规划或约束规划进行定价的求解器。
-
新方法将专家意见纳入统计特征选择
研究人员开发了一种名为专家隐含贝叶斯最优子集（EBBS）的新方法，该方法将领域专家意见纳入统计模型的特征选择过程。该方法使用混合整数优化来寻找最优稀疏解，同时通过最大后验框架整合专家对特征相关性的概率估计。该方法将专家观点汇总为每个特征的先验概率，然后影响模型的客观函数。该EBBS模型旨在通过利用除观测数据以外的有价值的外部知识来改进现有的最优子集选择技术。
-
新的ASP模型优化空中交通流量与容量管理
研究人员开发了一种新的空中交通流量与容量管理（ATFCM）模型，该模型可联合优化飞机轨迹和扇区配置。这种使用答案集规划（ASP）编码的方法，与混合整数规划（MIP）模型和启发式方法进行了评估。使用OpenSky Network的历史飞行数据进行的计算实验表明，ASP模型在小型问题实例上优于MIP模型，并且与启发式方法具有竞争力。
-
FORGE 框架使用图嵌入来解决优化问题
研究人员开发了 FORGE 框架，该框架利用图嵌入和向量量化来表示组合优化问题。该方法在各种混合整数规划实例上预训练模型，而无需优化求解器。预训练的嵌入可以对未见的实例进行聚类，并在微调后，提高商业求解器的性能，并在整数差距预测和搜索引导等任务上超越现有的基于学习的方法。
-
OmniPlan框架使用LLM进行自适应网络规划优化
研究人员开发了OmniPlan，一个旨在优化网络规划的新型自适应框架。该框架利用大型语言模型来解释用户以自然语言表达的意图，并将其转化为可量化的偏好向量。然后，OmniPlan采用混合专家架构，整合求解器、启发式算法和深度强化学习模型，以动态选择最合适的专家，从而实现及时且近乎最优的结果。实验表明，OmniPlan能有效分载机器学习推理任务，显著降低延迟和资源消耗。
-
新理论分析混合整数优化的进化策略
研究人员开发了一个理论框架来分析进化策略（ES）应用于混合整数优化问题时的收敛性。他们引入了两种变体，(1+1)-LB-ES 和 (1+1)-LUB-ES，以解决连续变量过早收敛的问题。他们的分析侧重于一个特定的基准函数，表明 (1+1)-LB-ES 在处理大量整数变量时可能会遇到困难，而 (1+1)-LUB-ES 在适当的参数设置下表现出线性收敛。