論文の概要: Learning Combined Set Covering and Traveling Salesman Problem

• arxiv url: http://arxiv.org/abs/2007.03203v1
• Date: Tue, 7 Jul 2020 05:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 18:22:38.577254
• Title: Learning Combined Set Covering and Traveling Salesman Problem
• Title（参考訳）: 集合被覆と旅行セールスマン問題を組み合わせた学習
• Authors: Yuwen Yang, Jayant Rajgopal
• Abstract要約: 本研究では,集合被覆とトラベリングセールスマンの複合問題について検討し,この問題を解くために整数プログラミングの混合式を提供する。 最適なポリシーを定期的に更新する必要があるアプリケーションに動機付け,この問題を効果的に処理するための機械学習アプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.0407204637672893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Traveling Salesman Problem is one of the most intensively studied combinatorial optimization problems due both to its range of real-world applications and its computational complexity. When combined with the Set Covering Problem, it raises even more issues related to tractability and scalability. We study a combined Set Covering and Traveling Salesman problem and provide a mixed integer programming formulation to solve the problem. Motivated by applications where the optimal policy needs to be updated on a regular basis and repetitively solving this via MIP can be computationally expensive, we propose a machine learning approach to effectively deal with this problem by providing an opportunity to learn from historical optimal solutions that are derived from the MIP formulation. We also present a case study using the vaccine distribution chain of the World Health Organization, and provide numerical results with data derived from four countries in sub-Saharan Africa.
• Abstract（参考訳）: トラベリングセールスマン問題(Traveing Salesman Problem)は、現実世界のアプリケーションの範囲と計算複雑性の両方から最も研究されている組合せ最適化問題の1つである。 Set Covering Problemと組み合わせると、トラクタビリティとスケーラビリティに関するさらに多くの問題が発生する。 本研究では,集合被覆問題とトラベルセールスマン問題を組み合わせて検討し,問題を解くための混合整数計画式を提案する。 最適なポリシーを定期的に更新し、mipを介して繰り返しこれを計算的に解決するアプリケーションによって動機づけられ、mipの定式化から得られた歴史的最適解から学習する機会を提供することで、この問題を効果的に扱うための機械学習アプローチを提案する。 また,世界保健機関(who)のワクチン配布チェーンを用いた事例研究を行い,サハラ以南のアフリカの4カ国から得られたデータを数値化する。

関連論文リスト

• Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
  商用問題解決者のための自然言語記述から最適化モデルを作成するための自動アプローチを開発する。 本稿では,(1)問題依存仮説空間の定義,(2)不確実性の下でこの空間を効率的に探索すること,(3)定式化の正しさを評価すること,の3つの課題を同定する。
  論文  参考訳（メタデータ） (2024-11-03T20:41:38Z)
• AI-Copilot for Business Optimisation: A Framework and A Case Study in Production Scheduling [3.522755287096529]
  ビジネス最適化問題定式化のためのAI-Copilotを提案する。 トークンの制限については、モジュール化を導入し、エンジニアリング技術を推進します。 問題定式化の精度と品質を評価するのに適した性能評価指標を設計する。
  論文  参考訳（メタデータ） (2023-09-22T23:45:21Z)
• A Survey for Solving Mixed Integer Programming via Machine Learning [76.04988886859871]
  本稿では、混合整数(MIP)問題を解くための機械学習の動向について調査する。 本稿では、まず、MIPの定式化とプリミナリーと、MIPを解くための従来のアルゴリズムについて紹介する。 そして、機械学習とMIPアルゴリズムの異なる統合をさらに促進することを提唱する。
  論文  参考訳（メタデータ） (2022-03-06T05:03:37Z)
• The Machine Learning for Combinatorial Optimization Competition (ML4CO): Results and Insights [59.93939636422896]
  ML4COは、キーコンポーネントを置き換えることで最先端の最適化問題を解決することを目的としている。 このコンペティションでは、最高の実現可能なソリューションを見つけること、最も厳密な最適性証明書を生成すること、適切なルーティング設定を提供すること、という3つの課題があった。
  論文  参考訳（メタデータ） (2022-03-04T17:06:00Z)
• Minimizing Entropy to Discover Good Solutions to Recurrent Mixed Integer Programs [0.0]
  混合整数プログラミング(MIP)問題に対する現在の解法は、幅広い問題に対して良好に動作するように設計されている。 近年の研究では、機械学習(ML)をMIPソルバと統合してドメイン知識を注入し、最適性ギャップを効率的に閉じることが示されている。 本稿では、エントロピーの概念を用いて、最小限のトレーニングデータとチューニングで効率的にモデルを構築するオンラインソルバを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:52:56Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Learning Mixed-Integer Linear Programs from Contextual Examples [37.56298025474654]
  混合整数線形プログラム(MILP)は人工知能や運用研究で広く使われている。 本稿では,文脈的事例からMILPを取得することの問題点について考察する。 また、コンテキストサンプルからMILPを学習するアルゴリズムであるMISLEをコントリビュートする。
  論文  参考訳（メタデータ） (2021-07-15T05:45:52Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Combining Reinforcement Learning and Constraint Programming for Combinatorial Optimization [5.669790037378094]
  目標は、有限個の可能性の集合の中で最適解を見つけることである。 深部強化学習(DRL)はNP-ハード最適化問題を解くことを約束している。 制約プログラミング(CP)は最適化問題を解決する汎用ツールである。 本研究では,最適化問題の解法としてDRLとCPを用いた汎用ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2020-06-02T13:54:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。