論文の概要: Knowledge engineering mixed-integer linear programming: constraint
typology
- arxiv url: http://arxiv.org/abs/2102.12574v1
- Date: Sat, 20 Feb 2021 20:07:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:43:44.352245
- Title: Knowledge engineering mixed-integer linear programming: constraint
typology
- Title（参考訳）: 知識工学 混合整数線形プログラミング:制約型
- Authors: Vicky Mak-Hau and John Yearwood and William Moran
- Abstract要約: 混合整数線形プログラムMILPの制約型について検討する。
milpは、実生活のスケジューリング、ルーティング、計画、リソース割り当て、時間的最適化問題のモデリングと解決によく使われる数学的プログラミング手法である。
- 参考スコア（独自算出の注目度）: 2.4002205752931625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate the constraint typology of mixed-integer linear
programming MILP formulations. MILP is a commonly used mathematical programming
technique for modelling and solving real-life scheduling, routing, planning,
resource allocation, timetabling optimization problems, providing optimized
business solutions for industry sectors such as: manufacturing, agriculture,
defence, healthcare, medicine, energy, finance, and transportation. Despite the
numerous real-life Combinatorial Optimization Problems found and solved, and
millions yet to be discovered and formulated, the number of types of
constraints, the building blocks of a MILP, is relatively much smaller. In the
search of a suitable machine readable knowledge representation for MILPs, we
propose an optimization modelling tree built based upon an MILP ontology that
can be used as a guidance for automated systems to elicit an MILP model from
end-users on their combinatorial business optimization problems.
- Abstract（参考訳）: 本稿では,混合整数線形計画milpの制約タイプ論について検討する。
MILPは、現実のスケジューリング、ルーティング、計画、リソース割り当て、タイムタブル最適化問題、製造業、農業、防衛、医療、医療、エネルギー、金融、輸送といった産業分野に最適化されたビジネスソリューションを提供するための一般的な数学的プログラミング手法である。
多くの現実的なコンビニアル最適化の問題が発見され、解決され、まだ発見され、定式化されていないが、MILPの構成要素である制約の種類は比較的小さい。
そこで本研究では,MILPのオントロジーに基づいて構築された最適化モデル木を,組換えビジネス最適化問題に基づいて,エンドユーザーからMILPモデルを引き出すための自動システムのためのガイダンスとして用いることを提案する。
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) - OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。
本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
論文 参考訳（メタデータ） (2024-07-13T13:27:57Z) - OptiMUS: Scalable Optimization Modeling with (MI)LP Solvers and Large
Language Models [21.519880445683107]
本稿では,Large Language Model (LL)MベースのエージェントであるOptiMUSを紹介する。
OptiMUSは、数学的モデルを開発し、ソルバコードを書き、デバッグし、生成したソリューションを評価し、これらの評価に基づいてモデルとコードを改善することができる。
実験によると、OptiMUSは、簡単なデータセットで既存の最先端メソッドを20%以上、ハードデータセットで30%以上上回っている。
論文 参考訳（メタデータ） (2024-02-15T18:19:18Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Machine Learning Augmented Branch and Bound for Mixed Integer Linear
Programming [11.293025183996832]
Mixed Linear Programming (MILP)は、幅広いアプリケーションに対して強力なモデリング言語を提供する。
近年,ブランチ・アンド・バウンドアルゴリズムに関わる主要なタスクをすべて強化するための機械学習アルゴリズムの利用が爆発的な発展を遂げている。
特に、分岐とバウンドの効率の指標を自動的に最適化する機械学習アルゴリズムに注意を払っている。
論文 参考訳（メタデータ） (2024-02-08T09:19:26Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - OptiMUS: Optimization Modeling Using MIP Solvers and large language
models [21.519880445683107]
そこで我々は,Large Language Model (LLM) ベースのエージェントであるOptiMUSを紹介した。
エージェントをベンチマークするために,線形プログラミング(LP)と混合整数線形プログラミング(MILP)の新たなデータセットであるNLP4LPを提案する。
実験の結果,OptiMUS は基本的な LLM 促進戦略の約2倍の問題を解くことがわかった。
論文 参考訳（メタデータ） (2023-10-09T19:47:03Z) - 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) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - A Knowledge Representation Approach to Automated Mathematical Modelling [1.8907108368038215]
我々はMILPモデルオントロジーとMILP定式化の新しい制約型について提案する。
MILPは、リアルタイムスケジューリング、ルーティング、計画、リソース割り当て、タイムタブル最適化の問題をモデル化し、解くために一般的に用いられる数学的プログラミング手法である。
本研究の目的は,業務最適化問題の自然言語記述をMILP形式仕様にマッピングする,MILPの機械可読な知識表現を開発することである。
論文 参考訳（メタデータ） (2020-11-12T10:29:57Z)
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。