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
-
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。
-
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。