論文の概要: Learning to Configure Mathematical Programming Solvers by Mathematical Programming

• arxiv url: http://arxiv.org/abs/2401.05041v1
• Date: Wed, 10 Jan 2024 10:02:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 15:09:31.377599
• Title: Learning to Configure Mathematical Programming Solvers by Mathematical Programming
• Title（参考訳）: 数理プログラミングによる数理プログラミング解の構成学習
• Authors: Gabriele Iommazzo, Claudia D'Ambrosio, Antonio Frangioni, Leo Liberti
• Abstract要約: 本稿では,与えられた問題の特定の事例に対して,優れた数学的プログラミング解法構成を求める問題について論じる。 優れたソルバ構成を学ぶことの難しさは、パラメータ設定がすべて独立しているとは限らないことである。 このアプローチの第2段階でこの問題に対処し、学習した情報を用いて最適化問題を構築し、解決する。
• 参考スコア（独自算出の注目度）: 0.8075866265341176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We discuss the issue of finding a good mathematical programming solver configuration for a particular instance of a given problem, and we propose a two-phase approach to solve it. In the first phase we learn the relationships between the instance, the configuration and the performance of the configured solver on the given instance. A specific difficulty of learning a good solver configuration is that parameter settings may not all be independent; this requires enforcing (hard) constraints, something that many widely used supervised learning methods cannot natively achieve. We tackle this issue in the second phase of our approach, where we use the learnt information to construct and solve an optimization problem having an explicit representation of the dependency/consistency constraints on the configuration parameter settings. We discuss computational results for two different instantiations of this approach on a unit commitment problem arising in the short-term planning of hydro valleys. We use logistic regression as the supervised learning methodology and consider CPLEX as the solver of interest.
• Abstract（参考訳）: 本稿では,与えられた問題の特定の例に対して,優れた数学的プログラムソルバ構成を求める問題について議論し,その解法として二段階アプローチを提案する。 第1フェーズでは、与えられたインスタンス上で設定されたソルバのインスタンス、構成、パフォーマンスの関係を学習します。 優れたソルバ構成を学ぶのに特に難しいのは、パラメータの設定がすべて独立であるとは限らないことである。 我々は、学習情報を用いて、設定パラメータの設定に依存性/一貫性の制約を明示的に表現した最適化問題を構築し、解決する手法の第2フェーズでこの問題に取り組む。 本研究では,水田流域の短期計画に生じる単位コミットメント問題に対して,このアプローチの2つの異なるインスタンスの計算結果について考察する。 我々は,ロジスティック回帰を教師付き学習方法論として使用し,CPLEXを関心の解決要因とみなす。

関連論文リスト

• MultiSTOP: Solving Functional Equations with Reinforcement Learning [56.073581097785016]
  物理学における関数方程式を解くための強化学習フレームワークであるMultiSTOPを開発した。 この新しい手法は境界ではなく実際の数値解を生成する。
  論文  参考訳（メタデータ） (2024-04-23T10:51:31Z)
• 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)
• A learning-based mathematical programming formulation for the automatic configuration of optimization solvers [0.8075866265341176]
  我々は、解決者の性能関数を学習するために、解決されたインスタンスと構成のセットを用いる。 対象/制約が学習情報を明示的に符号化する混合整数非線形プログラムを定式化する。
  論文  参考訳（メタデータ） (2024-01-08T21:10:56Z)
• Automatic MILP Solver Configuration By Learning Problem Similarities [1.1585113506994469]
  混合線形プログラム(MILP)は、内部アルゴリズムを制御するために多数の構成パラメータを公開する。 我々は,探索・評価設定のオーバーヘッドを伴わずに,低コストなソリューションを実現する未確認問題インスタンスの構成パラメータを予測することを目的としている。 1つのソルバ構成で同様のコストを持つインスタンスも、同じランタイム環境で別のソルバ構成で同様のコストを持つことを示す。
  論文  参考訳（メタデータ） (2023-07-02T21:31:47Z)
• Efficient lifting of symmetry breaking constraints for complex combinatorial problems [9.156939957189502]
  この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。 Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
  論文  参考訳（メタデータ） (2022-05-14T20:42:13Z)
• Exploring Viable Algorithmic Options for Learning from Demonstration (LfD): A Parameterized Complexity Approach [0.0]
  本稿では,パラメータ化複雑性解析を用いて,アルゴリズムの選択肢を体系的に探索する方法を示す。 環境、実演、ポリシーに対する多くの(しばしば同時に)制限に対して、我々の問題は、一般的にも、あるいは相対的に、効率的に解決できないことを示す。
  論文  参考訳（メタデータ） (2022-05-10T15:54:06Z)
• 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)
• SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning [0.0]
  本稿では,Juliaで実装された新しい制約プログラミング問題であるSeaPearlの概念実証について述べる。 seapearlは強化学習を使用して分岐決定を学ぶために機械学習ルーチンをサポートする。 産業用ソリューションとはまだ競合していないが、seapearlは柔軟でオープンソースなフレームワークを提供することを目指している。
  論文  参考訳（メタデータ） (2021-02-18T07:34:38Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• 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)
• Physarum Powered Differentiable Linear Programming Layers and Applications [48.77235931652611]
  一般線形プログラミング問題に対する効率的かつ微分可能な解法を提案する。 本稿では,ビデオセグメンテーションタスクとメタラーニングにおける問題解決手法について述べる。
  論文  参考訳（メタデータ） (2020-04-30T01:50:37Z)

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。