論文の概要: Machine Learning Algorithms for Improving Exact Classical Solvers in Mixed Integer Continuous Optimization

• arxiv url: http://arxiv.org/abs/2508.06906v1
• Date: Sat, 09 Aug 2025 09:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.609614
• Title: Machine Learning Algorithms for Improving Exact Classical Solvers in Mixed Integer Continuous Optimization
• Title（参考訳）: 混合整数連続最適化における厳密な古典解法改善のための機械学習アルゴリズム
• Authors: Morteza Kimiaei, Vyacheslav Kungurtsev, Brian Olimba,
• Abstract要約: 機械学習と強化学習が正確な最適化方法をいかに強化するかを調査する。 個別、連続、混合整数の定式化をカバーしています。 我々は、学習ベースの戦略を分岐、切断、ノード順序付け、パラメータ制御に組み込む統合BBフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 2.8166046619628315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integer and mixed-integer nonlinear programming (INLP, MINLP) are central to logistics, energy, and scheduling, but remain computationally challenging. This survey examines how machine learning and reinforcement learning can enhance exact optimization methods - particularly branch-and-bound (BB), without compromising global optimality. We cover discrete, continuous, and mixed-integer formulations, and highlight applications such as crew scheduling, vehicle routing, and hydropower planning. We introduce a unified BB framework that embeds learning-based strategies into branching, cut selection, node ordering, and parameter control. Classical algorithms are augmented using supervised, imitation, and reinforcement learning models to accelerate convergence while maintaining correctness. We conclude with a taxonomy of learning methods by solver class and learning paradigm, and outline open challenges in generalization, hybridization, and scaling intelligent solvers.
• Abstract（参考訳）: 整数型および混合整数型非線形プログラミング(INLP, MINLP)は、ロジスティクス、エネルギー、スケジューリングの中心であるが、計算的に困難である。 本調査では,グローバルな最適性を損なうことなく,機械学習と強化学習が正確な最適化手法(特にブランチ・アンド・バウンド(BB))を強化する方法について検討する。 我々は、離散的、連続的、混合整数の定式化をカバーし、乗組員のスケジューリング、車両のルーティング、水力発電計画などの応用を強調している。 我々は、学習ベースの戦略を分岐、切断、ノード順序付け、パラメータ制御に組み込む統合BBフレームワークを導入する。 古典的アルゴリズムは、教師付き、模倣、強化学習モデルを用いて拡張され、正確性を維持しながら収束を加速する。 我々は,解法クラスと学習パラダイムによる学習方法の分類を結論付け,一般化,ハイブリダイゼーション,スケーリングにおけるオープンな課題を概説する。

関連論文リスト

• Learning to Optimize for Mixed-Integer Non-linear Programming with Feasibility Guarantees [20.469394148261838]
  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ほど多様な領域で発生するが、解くのは非常に難しい。 2つの整数補正層を持つ新しいL2O手法を提案し、解の積分性を保証するとともに、解の実現性を確保するための射影ステップを提案する。 実験の結果,提案手法は最大数万変数のMINLPを効率よく解き,ミリ秒以内の高品質な解が得られることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T20:14:39Z)
• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Learning to optimize with convergence guarantees using nonlinear system theory [0.4143603294943439]
  本研究では,スムーズな目的関数に対するアルゴリズムの非制約パラメトリゼーションを提案する。 特に、私たちのフレームワークは自動微分ツールと直接互換性があります。
  論文  参考訳（メタデータ） (2024-03-14T13:40:26Z)
• 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)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Annealing Optimization for Progressive Learning with Stochastic Approximation [0.0]
  計算資源が限られているアプリケーションのニーズを満たすために設計された学習モデルを導入する。 我々は,オンラインな勾配近似アルゴリズムとして定式化されたオンラインプロトタイプベースの学習アルゴリズムを開発した。 学習モデルは、教師なし、教師なし、強化学習に使用される、解釈可能で、徐々に成長する競争的ニューラルネットワークモデルと見なすことができる。
  論文  参考訳（メタデータ） (2022-09-06T21:31:01Z)
• 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)

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。