論文の概要: Learning to Optimize for Mixed-Integer Non-linear Programming
- arxiv url: http://arxiv.org/abs/2410.11061v1
- Date: Mon, 14 Oct 2024 20:14:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:00:47.034413
- Title: Learning to Optimize for Mixed-Integer Non-linear Programming
- Title(参考訳): 混合整数非線形プログラミングのための学習
- Authors: Bo Tang, Elias B. Khalil, Ján Drgoňa,
- Abstract要約: 混合整数非NLPプログラム(MINLP)はエネルギーシステムや輸送など様々な領域で発生するが、解決は困難である。
機械学習の最近の進歩は、最適化のための学習として知られる領域において、顕著な成功をもたらしている。
勾配を保ちながら整数出力を生成する2つの異なる補正層を提案する。
- 参考スコア(独自算出の注目度): 20.469394148261838
- License:
- Abstract: Mixed-integer non-linear programs (MINLPs) arise in various domains, such as energy systems and transportation, but are notoriously difficult to solve. Recent advances in machine learning have led to remarkable successes in optimization tasks, an area broadly known as learning to optimize. This approach includes using predictive models to generate solutions for optimization problems with continuous decision variables, thereby avoiding the need for computationally expensive optimization algorithms. However, applying learning to MINLPs remains challenging primarily due to the presence of integer decision variables, which complicate gradient-based learning. To address this limitation, we propose two differentiable correction layers that generate integer outputs while preserving gradient information. Combined with a soft penalty for constraint violation, our framework can tackle both the integrality and non-linear constraints in a MINLP. Experiments on three problem classes with convex/non-convex objective/constraints and integer/mixed-integer variables show that the proposed learning-based approach consistently produces high-quality solutions for parametric MINLPs extremely quickly. As problem size increases, traditional exact solvers and heuristic methods struggle to find feasible solutions, whereas our approach continues to deliver reliable results. Our work extends the scope of learning-to-optimize to MINLP, paving the way for integrating integer constraints into deep learning models. Our code is available at https://github.com/pnnl/L2O-pMINLP.
- Abstract(参考訳): 混合整数非線形プログラム(MINLP)はエネルギーシステムや輸送など様々な領域で発生するが、解決は困難である。
機械学習の最近の進歩は、最適化タスクにおいて顕著な成功を収めた。
このアプローチでは、予測モデルを使用して、連続的な決定変数による最適化問題の解を生成することにより、計算コストのかかる最適化アルゴリズムの必要性を回避する。
しかし、MINLPに学習を適用することは、主に勾配に基づく学習を複雑にする整数決定変数が存在するため、依然として困難である。
この制限に対処するために、勾配情報を保持しながら整数出力を生成する2つの異なる補正層を提案する。
制約違反に対するソフトペナルティと組み合わせることで、私たちのフレームワークはMINLPにおける積分性と非線形制約の両方に取り組むことができる。
凸/非凸目的/制約と整数/混合整数変数を持つ3つの問題クラスに対する実験により,提案手法はパラメトリックMINLPの高品質解を極端に高速に生成することを示す。
問題のサイズが大きくなるにつれて、従来の厳密な解法とヒューリスティックな手法は実現可能な解決策を見つけるのに苦労するが、我々のアプローチは信頼性の高い結果を提供し続けている。
我々の研究は、学習から最適化までの範囲をMINLPに拡大し、整数制約をディープラーニングモデルに統合する方法を開拓する。
私たちのコードはhttps://github.com/pnnl/L2O-pMINLPで公開されています。
関連論文リスト
- Integrated Offline and Online Learning to Solve a Large Class of Scheduling Problems [5.36210189158563]
我々は、単一マシンスケジューリング問題に対する高品質なソリューションを予測するために、統合機械学習(ML)アプローチを開発する。
我々は、考慮された問題のクラス全体がタイムインデックスの定式化として定式化できるという事実を活用する。
これらの問題のNPハードの性質を考えると、ラベル(すなわち最適解)は訓練のために生成し難い。
論文 参考訳(メタデータ) (2025-01-08T03:35:28Z) - Towards An Unsupervised Learning Scheme for Efficiently Solving Parameterized Mixed-Integer Programs [6.1860817947800655]
教師なし学習方式でバイナリ変数の自動エンコーダを訓練する。
オフライン学習AEのデコーダパラメータから平面制約を切断するクラスを構築する戦略を提案する。
原始的なMIP問題への統合は、実現可能な領域を縮小したMIPの強化につながる。
論文 参考訳(メタデータ) (2024-12-23T14:48:32Z) - RL-MILP Solver: A Reinforcement Learning Approach for Solving Mixed-Integer Linear Programs with Graph Neural Networks [3.3894236476098185]
混合整数線形プログラミング (MILP) は様々な分野にまたがる最適化手法である。
本稿では,最初の実現可能な解を見つけるだけでなく,より有効な解を段階的に発見する新しい強化学習(RL)に基づく解法を提案する。
論文 参考訳(メタデータ) (2024-11-29T07:23:34Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳(メタデータ) (2024-09-07T19:52:14Z) - 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) - 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) - A Bi-Level Framework for Learning to Solve Combinatorial Optimization on
Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。
このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文 参考訳(メタデータ) (2021-06-09T09:18:18Z) - 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)
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。