論文の概要: A Survey for Solving Mixed Integer Programming via Machine Learning
- arxiv url: http://arxiv.org/abs/2203.02878v1
- Date: Sun, 6 Mar 2022 05:03:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 16:19:07.900298
- Title: A Survey for Solving Mixed Integer Programming via Machine Learning
- Title（参考訳）: 機械学習による混合整数プログラミングの解法に関する調査
- Authors: Jiayi Zhang and Chang Liu and Junchi Yan and Xijun Li and Hui-Ling
Zhen and Mingxuan Yuan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 76.04988886859871
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper surveys the trend of leveraging machine learning to solve mixed
integer programming (MIP) problems. Theoretically, MIP is an NP-hard problem,
and most of the combinatorial optimization (CO) problems can be formulated as
the MIP. Like other CO problems, the human-designed heuristic algorithms for
MIP rely on good initial solutions and cost a lot of computational resources.
Therefore, we consider applying machine learning methods to solve MIP, since
ML-enhanced approaches can provide the solution based on the typical patterns
from the historical data. In this paper, we first introduce the formulation and
preliminaries of MIP and several traditional algorithms to solve MIP. Then, we
advocate further promoting the different integration of machine learning and
MIP and introducing related learning-based methods, which can be classified
into exact algorithms and heuristic algorithms. Finally, we propose the outlook
for learning-based MIP solvers, direction towards more combinatorial
optimization problems beyond MIP, and also the mutual embrace of traditional
solvers and machine learning components.
- Abstract（参考訳）: 本稿では,混合整数プログラミング(MIP)問題に対する機械学習の活用の動向について検討する。
理論的には、MIPはNPハード問題であり、組合せ最適化(CO)問題のほとんどは、MIPとして定式化することができる。
他のCO問題と同様に、MIPのための人間設計のヒューリスティックアルゴリズムは優れた初期解に依存し、多くの計算資源を消費する。
したがって,MLを拡張した手法は,過去のデータから典型的なパターンをベースとしたソリューションを提供することができるため,機械学習手法をMIPの解法に適用することを検討する。
本稿では、まず、MIPの定式化とプリミナリーと、MIPを解くための伝統的なアルゴリズムを紹介する。
そして、機械学習とMIPの異なる統合を促進し、関連する学習に基づく手法を導入し、正確なアルゴリズムとヒューリスティックアルゴリズムに分類することを提唱する。
最後に,学習型MIP解法の展望,MIP以外の組合せ最適化問題への方向性,従来の解法と機械学習コンポーネントの相互採用を提案する。
関連論文リスト
- Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。
エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。
我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
論文 参考訳（メタデータ） (2024-04-30T06:48:56Z) - Deep learning enhanced mixed integer optimization: Learning to reduce model dimensionality [0.0]
この研究は、Mixed-Integer Programmingに固有の計算複雑性に対処するフレームワークを導入する。
ディープラーニングを利用することで、MIPインスタンス間の共通構造を特定し、活用する問題固有モデルを構築する。
本稿では,モデルの堅牢性と一般化性を高める合成データを生成するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-17T19:15:13Z) - 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) - Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。
汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。
我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
論文 参考訳（メタデータ） (2023-10-10T01:39:04Z) - A Survey on Influence Maximization: From an ML-Based Combinatorial
Optimization [2.9882027965916413]
影響最大化(IM)は、モバイルネットワーク、ソーシャルコンピューティング、レコメンデーションシステムで広く用いられる古典的な最適化問題である。
主な課題は、IM問題のNP硬度と、影響力の広がりを推定する#P硬度である。
我々は,関連する背景知識,基本原則,共通手法,応用研究の要約に重点を置いている。
論文 参考訳（メタデータ） (2022-11-06T10:13:42Z) - MIP-GNN: A Data-Driven Framework for Guiding Combinatorial Solvers [13.790116387956703]
混合整数プログラミング(MIP)技術は最適化問題の定式化と解法を提供する。
MIP-GNNは、データ駆動の洞察でそのような問題を解決するための一般的なフレームワークである。
MIP-GNNを最先端のMIP解決器に統合し,ノード選択やウォームスタートといったタスクに適用する。
論文 参考訳（メタデータ） (2022-05-27T19:34:14Z) - Optimizing Objective Functions from Trained ReLU Neural Networks via
Sampling [0.0]
本稿では、ReLUアクティベーションを用いたトレーニングニューラルネットワークを最適化する、スケーラブルでサンプリングベースのアルゴリズムを提案する。
本稿ではまず,ReLUニューラルネットワークのピースワイズ線形構造を利用した反復アルゴリズムを提案する。
次に、各反復で計算されたLPソリューションの近傍を探索することで、このアプローチを拡張します。
論文 参考訳（メタデータ） (2022-05-27T18:35:48Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - Learning to Schedule Heuristics in Branch-and-Bound [25.79025327341732]
現実世界のアプリケーションは通常、迅速な意思決定を可能にするために、検索の早い段階で優れたソリューションを見つける必要があります。
正確なMIPソルバにおけるスケジューリングのための最初のデータ駆動フレームワークを提案する。
最先端の学術MIPソルバーのデフォルト設定と比較して、挑戦的なインスタンスのクラスで平均プライマリ積分を最大49%削減することができます。
論文 参考訳（メタデータ） (2021-03-18T14:49:52Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。