論文の概要: Learning to Optimize for Mixed-Integer Non-linear Programming
- arxiv url: http://arxiv.org/abs/2410.11061v8
- Date: Tue, 11 Feb 2025 15:59:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:03:18.818284
- 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: 混合整数非線形プログラム(MINLP)は、エネルギーシステムや輸送といった様々な領域で発生する。
MINLPは特に大規模な解決が難しいことで知られている。
本稿では,解の積分性を保証するための2つの学習可能な補正層と,解の実現性を改善するための後処理ステップを備えた新しいディープラーニング手法を提案する。
- 参考スコア(独自算出の注目度): 20.469394148261838
- License:
- Abstract: Mixed-integer nonlinear programs (MINLPs) arise in diverse domains such as energy systems and transportation but are notoriously difficult to solve, particularly on a large scale. While learning-to-optimize methods have been successful at continuous optimization, extending them to MINLPs is still challenging due to the integer constraints. To overcome this, we propose a novel deep-learning approach with two learnable correction layers to ensure solution integrality and a post-processing step to improve solution feasibility. Our experiments show that this is the first general method capable of efficiently solving large-scale MINLPs with up to tens of thousands of variables in milliseconds, delivering high-quality solutions even when traditional solvers and heuristics fail. This is the first general learning method for MINLP, successfully solving some of the largest instances reported to date.
- 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といった様々な領域で発生するが、特に大規模では解決が困難である。
学習と最適化の手法は連続最適化で成功したが、整数制約のため、MINLPに拡張することは依然として困難である。
そこで本研究では,解の積分性を保証するための2つの学習可能な補正層と,解の実現性を改善するための後処理ステップを備えた新しいディープラーニング手法を提案する。
実験により, 従来の解法やヒューリスティックスが失敗しても, 最大数万の変数を持つ大規模MINLPをミリ秒で効率よく解き, 高品質な解法を実現することが可能であることがわかった。
これはMINLPの最初の一般的な学習方法であり、これまで報告された最大のインスタンスのいくつかをうまく解決した。
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。