論文の概要: Learning to Reformulate for Linear Programming

• arxiv url: http://arxiv.org/abs/2201.06216v1
• Date: Mon, 17 Jan 2022 04:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 14:48:04.520340
• Title: Learning to Reformulate for Linear Programming
• Title（参考訳）: 線形プログラミングの改革を学ぶ
• Authors: Xijun Li, Qingyu Qu, Fangzhou Zhu, Jia Zeng, Mingxuan Yuan, Kun Mao and Jie Wang
• Abstract要約: 本稿では,リニアプログラミング(LP)の強化学習に基づく再構成手法を提案する。 本研究では,2つの公共研究用LPデータセットと,実運用シナリオから収集した大規模LPデータセットに対して提案手法を実装した。
• 参考スコア（独自算出の注目度）: 11.628932152805724
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: It has been verified that the linear programming (LP) is able to formulate many real-life optimization problems, which can obtain the optimum by resorting to corresponding solvers such as OptVerse, Gurobi and CPLEX. In the past decades, a serial of traditional operation research algorithms have been proposed to obtain the optimum of a given LP in a fewer solving time. Recently, there is a trend of using machine learning (ML) techniques to improve the performance of above solvers. However, almost no previous work takes advantage of ML techniques to improve the performance of solver from the front end, i.e., the modeling (or formulation). In this paper, we are the first to propose a reinforcement learning-based reformulation method for LP to improve the performance of solving process. Using an open-source solver COIN-OR LP (CLP) as an environment, we implement the proposed method over two public research LP datasets and one large-scale LP dataset collected from practical production planning scenario. The evaluation results suggest that the proposed method can effectively reduce both the solving iteration number ($25\%\downarrow$) and the solving time ($15\%\downarrow$) over above datasets in average, compared to directly solving the original LP instances.
• Abstract（参考訳）: 線形プログラミング (LP) は, OptVerse や Gurobi , CPLEX などの対応問題に頼って,多くの実時間最適化問題を定式化できることが確認されている。 過去数十年間、あるLPの最適値をより少ない解時間で得られるように、従来の運用研究アルゴリズムが提案されてきた。 近年,上記の解法の性能向上に機械学習(ML)技術を用いる傾向にある。 しかしながら、ml技術を利用してフロントエンド、すなわちモデリング(あるいは定式化)からソルバのパフォーマンスを改善する以前の作業はほとんどない。 本稿では,LPの強化学習に基づく改良手法を初めて提案し,解法の性能向上を図る。 オープンソースソルバCOIN-OR LP(CLP)を環境として,実運用シナリオから収集した2つの公開研究用LPデータセットと大規模LPデータセットを用いて提案手法を実装した。 評価の結果,提案手法は,従来のLPインスタンスを直接解いた場合と比較して,上述のデータセットよりも解法反復数 (25\%\downarrow$) と解法時間 (15\%\downarrow$) を効果的に削減できることが示唆された。

関連論文リスト

• 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)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Relative-Interior Solution for the (Incomplete) Linear Assignment Problem with Applications to the Quadratic Assignment Problem [2.149302375766032]
  線形代入問題(LAP)の双対線形プログラミング定式化の最適解の集合について検討する。 この集合の相対的な内部から解を計算する方法を提案する。
  論文  参考訳（メタデータ） (2023-01-26T16:22:01Z)
• Teaching Networks to Solve Optimization Problems [13.803078209630444]
  反復解法をトレーニング可能なパラメトリック集合関数に置き換えることを提案する。 このようなパラメトリックな(集合)関数を学習することで、様々な古典的最適化問題を解くことができることを示す。
  論文  参考訳（メタデータ） (2022-02-08T19:13:13Z)
• Solving Multistage Stochastic Linear Programming via Regularized Linear Decision Rules: An Application to Hydrothermal Dispatch Planning [77.34726150561087]
  AdaSO(Adaptive least absolute shrinkage and selection operator)に基づく線形決定規則(LDR)の新しい正規化手法を提案する。 実験により、MSLPを解くために古典的な非正規化LDRを使用する場合、過度に適合する脅威は無視できないことが示された。 LHDP問題に対しては、非正規化ベンチマークと比較して、提案したフレームワークの次の利点を強調した。
  論文  参考訳（メタデータ） (2021-10-07T02:36:14Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)
• Logistic Q-Learning [87.00813469969167]
  MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。 提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
  論文  参考訳（メタデータ） (2020-10-21T17:14:31Z)
• Decomposition and Adaptive Sampling for Data-Driven Inverse Linear Optimization [12.610576072466895]
  この研究は、線形プログラムの未知のコストベクトルを推論することが目的である逆線形最適化に対処する。 本稿では,既存の手法と比較して,制約の少ない,一般的に許容可能なコスト見積の集合の回復を可能にする,新たな問題の定式化を導入する。
  論文  参考訳（メタデータ） (2020-09-16T22:25:31Z)
• Initializing Successive Linear Programming Solver for ACOPF using Machine Learning [0.0]
  本稿では,SLP-ACOPFソルバを初期化するために,Scikit-Learnライブラリで利用可能な機械学習(ML)アルゴリズムについて検討する。 我々は,各機械学習アルゴリズムの品質評価を行い,電力流解に必要な変数を予測する。 このアプローチは、混雑している3つのバスシステムでテストされる。
  論文  参考訳（メタデータ） (2020-07-17T20:01:55Z)
• 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)

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。