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
-
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。
-
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。
-
新基准显示LLM代理难以处理运筹学任务
引入了一个名为ORAgentBench的新基准，用于评估大型语言模型（LLM）代理在执行复杂运筹学（OR）任务方面的能力。该基准包含107个人工审查的任务，涵盖各种操作场景，每个任务都有特定的数据、配置和提交要求。使用十四种前沿代理模型配置进行的初步实验表明，目前的LLM代理在实际运筹学工作中尚不可靠，表现最好的代理仅在35.51%的任务上取得成功，并且在可行性和解决方案质量方面存在困难。
-
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。
-
混合智能融合机器学习与运筹学以实现高级优化
本文探讨了优化技术的演变，从传统的运筹学（OR）方法转向一种更集成的、称为“混合智能”的方法。文章讨论了早期的运筹学如何依赖于明确定义的数学模型，而现代方法越来越多地融入机器学习以发现隐藏的模式和约束。文章强调了结合这些方法在更健壮、更高效的问题解决方面的优势。
-
运筹学超越电子表格，实现 B2B 区域规划自动化
本文提出了一种程序化解决方案，用于自动化 B2B 区域规划，这一过程传统上通过手动电子表格进行管理。文章概述了一个使用运筹学技术的流程，特别是匈牙利算法和最长处理时间 (LPT) 算法，以解决容量平衡和销售人员分配的挑战。目标是超越低效的手动方法，为区域设计和客户分配创建一个可扩展的系统。