operations research
PulseAugur coverage of operations research — every cluster mentioning operations research across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法统一了强化学习在奖励和动力学上的泛化能力
研究人员引入了鲁棒后继特征，这是一种新颖的方法，它统一了强化学习在奖励函数和转移核上的泛化能力。该方法在线性马尔可夫决策过程中特别有效，尤其是在转移核不确定的情况下。这项工作为广义策略改进提供了理论界限，量化了由于转移核不匹配导致的性能下降，并在动力学一致时恢复了现有的后继特征保证。这些鲁棒后继特征的有效性已在基于网格的基准测试中得到证明，其性能优于先前仅处理奖励或转移泛化问题的方法。
-
新的 STRETCH 框架通过自适应挑战提升 LLM 演进能力
研究人员推出了一种新颖的 STRETCH 框架，旨在克服大型语言模型 (LLM) 在自改进训练过程中能力停滞的问题。STRETCH 借鉴了认知支架理论，采用动态的“Stretch Zone”（延伸区）机制，根据 LLM 不断变化的熟练程度，动态调整提供给它的挑战难度。该框架允许一个单一参数空间同时容纳生成自适应挑战的“Scaffolder”（支架）和通过强化学习改进其问题解决能力的“Learner”（学习者），从而实现更稳定的训练和渐…
-
深度学习与运筹学融合，赋能决策制定
一篇新的教程论文探讨了深度学习与运筹学（OR/MS）在不确定性下序贯决策领域的交叉点。论文认为，深度学习通过提供适应性和可扩展的近似能力，是对传统OR/MS方法的补充而非取代。论文围绕预测-优化（predict-then-optimize）、决策感知学习（decision-aware learning）和深度强化学习（deep reinforcement learning）等主题组织该领域，应用涵盖供应链、医疗保健和能源等领域。
-
新的基于线性规划的算法为子模态MDP提供了更强的策略
研究人员开发了一种新的算法来解决子模态马尔可夫决策过程（MDP），这是一种具有广义奖励函数的序贯决策问题。该算法基于线性规划（LP）技术和Sherali-Adams层级思想，为子模态定向和子模态MDP提供了强大的近似保证。这项工作改进了先前的近似比，特别是对于子模态MDP，其先前的保证与时间范围成线性关系。
-
新框架SOLID提升LLM在运筹学任务中的能力
研究人员推出SOLID，一个旨在增强大型语言模型（LLM）在制定运筹学（OR）问题方面的能力的新颖框架。该方法通过在没有已验证答案或外部评估者的情况下实现自我改进来解决当前训练的局限性。SOLID利用模型部署过程中生成的求解器工件的反馈来提供密集监督，从而提高各种OR基准的解决方案准确性。
-
新基准评估LLM澄清优化问题的能力
研究人员推出OR-Clarify，一个旨在评估大型语言模型（LLM）在解决优化问题之前识别和解决歧义能力的基准。该基准侧重于预公式化阶段，在此阶段LLM可能会遗漏关键目标或约束。为解决此问题，他们还提出了InterOPT，一个框架，指导LLM在识别出公式化关键差距时提出澄清性问题或停止，旨在提高AI助手在运筹学任务中的可靠性。
-
Transformer模型应用于流式车间调度问题
研究人员开发了一种新颖的流式车间调度方法，采用了Transformer模型，这是一种机器学习架构。该方法将调度视为一个预测下一个token的任务，其中token代表作业-机器-辅助资源分配。模型在混合整数线性规划（MILP）生成的数据上进行训练，然后在推理过程中用于完成部分调度。在计算研究中，这种基于Transformer的方法在解决方案质量上优于遗传算法和其他启发式方法，尽管略逊于MILP和迭代贪婪启发式方法。
-
运筹学与粒子群优化在复杂问题中的比较
本文探讨了运筹学（OR）和粒子群优化（PSO）在解决复杂现实问题中的优缺点。运筹学通过数学建模擅长找到可证明的最优解，但在动态情况下可能速度较慢。受自然启发的PSO提供快速、高质量的启发式解决方案，但缺乏最优性保证。文章旨在阐明何时使用每种方法，以及混合模型如何能有效解决单一方法不足的问题，尤其是在物流规划等动态环境中。
-
LLMs 展现出设计近乎最优运筹学算法的能力
一篇新的 arXiv 论文探讨了大型语言模型（LLMs）为运筹学（OR）问题设计算法的能力。研究人员发现，LLMs，特别是 GPT 5.6 "Sol"，能够为库存控制、排队网络控制和 ассорти优化生成有效的算法。这些模型在获得最少输入和访问 Python 沙盒的情况下，生成的算法与现有的专业方法相媲美或超越了它们，表明 LLMs 的问题解决和算法设计能力正在迅速发展。
-
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…
-
研究探讨AI文本编辑溯源；另一篇论文涵盖硅谷欺骗
一篇题为“人类 vs. AI – 基于差异的代理编辑文本的逐行溯源”的研究论文探讨了在AI代理参与编辑时如何追踪文本的变更。另外，运营研究与管理科学学会的一份出版物讨论了“硅谷的犯罪欺骗”。
-
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。
-
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。
-
工业工程回顾强调人工智能在老年护理结果中的作用
一篇新发表在arXiv上的回顾论文探讨了工业工程和运筹学（OR）在老年护理中的应用。该论文将现有文献分为家庭医疗运营、多重用药管理和临床节律疗法，并指出从静态模型向人工智能集成的动态框架的转变。然而，它强调了一个显著的差距，即运营效率（如员工路线规划）未能有效转化为可衡量的临床结果，并且医院和社区护理之间的过渡仍未得到充分探索。作者提出了一个概念框架，通过关注集成、多层次的决策制定，并利用数字孪生和大型语言模型等技术来改善患者层面的健…
-
图基础模型将LLM范式应用于优化问题
研究人员推出了一种名为图基础模型（GFM）的新型框架，旨在解决图结构上的基于距离的优化问题。通过借鉴大型语言模型中使用的自监督预训练范式，GFM从图路径中学习可泛化的表示。这种方法使GFM能够内化图的组合规则，从而能够以具有竞争力的性能和比专用求解器快得多的推理时间来应对各种优化挑战。
-
运筹学博士寻求高价值行业的高级机器学习技能
一位拥有科技巨头背景的运筹学和工程学博士正在寻求转型，进入机器人、国防和金融等高价值行业的高级机器学习领域。他们希望通过专注于实用的、数学密集型的建模技能来提高自己的市场竞争力，特别是在因果推断、XGBoost等高级树模型以及用于控制系统的强化学习等领域。该人士正在寻求关于如何优先考虑机器学习主题以获得最高薪酬、展示超越API使用的实际实施技能以及如何有效地向潜在雇主推销其“预测-优化”方法的指导。
-
研究论文强调高维插值器的脆弱性
一篇新发表在arXiv上的研究论文探讨了机器学习中高维插值器的脆弱性。该研究题为“高维插值器可能很脆弱：重尾和高维大偏差”，使用大偏差方法分析了无脊回归与有脊正则化估计器的对比。研究表明，虽然插值模型平均表现可能良好，但其风险可能表现出重尾行为，这意味着与正则化替代方案相比，罕见的严重错误更有可能发生。
-
新框架增强了具有面板数据的马尔可夫链选择模型
研究人员引入了一个新的框架，用于利用面板数据的马尔可夫链（MC）选择模型，该模型考虑了客户历史交易之间的依赖关系。该方法结合了偏序偏好信息，并提出了新颖的期望最大化（EM）算法用于参数估计。所提出的 EM 算法在合成和寿司数据集上表现优于现有方法，同时还为条件选择预测和 ассортимент 优化问题提供了计算结果。
-
LLM 框架通过业务背景增强交通枢纽容量规划
研究人员开发了一个新框架，该框架使用大型语言模型 (LLM) 来改进交通枢纽的容量规划。该 LLM 代理将以自然语言提供的定性业务背景与传统的定量优化模型相结合。通过采用思维链推理过程，LLM 将文本业务描述转化为具体的容量调整，然后通过与优化模型的反馈循环进行完善。该方法在实际货运网络上显示出优化差距的显著改善，突显了 LLM 将定性业务见解与运筹学工作流程相结合的潜力。
-
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。