論文の概要: ML-Guided Primal Heuristics for Mixed Binary Quadratic Programs

• arxiv url: http://arxiv.org/abs/2604.23053v1
• Date: Fri, 24 Apr 2026 22:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.122192
• Title: ML-Guided Primal Heuristics for Mixed Binary Quadratic Programs
• Title（参考訳）: ML-Guided Primal Heuristics for Mixed Binary Quadratic Programs
• Authors: Weimin Huang, Natalie M. Isenberg, Ján Drgoňa, Draguna L Vrabie, Bistra Dilkina,
• Abstract要約: 本研究は,Mixed Binary Quadratic Programs (MBQPs) のためのML誘導プライマリを提案する。 MBQPソリューション予測のための新しいニューラルネットワークアーキテクチャと,新たなトレーニングデータ収集手順を導入する。 我々は既存の損失関数を解予測に拡張し、対照的かつ重み付けされたクロスエントロピー損失を組み合わせることを提案する。
• 参考スコア（独自算出の注目度）: 8.418354309955065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixed Binary Quadratic Programs (MBQPs) are an important and complex set of problems in combinatorial optimization. As solving large-scale combinatorial optimization problems is challenging, primal heuristics have been developed to quickly identify high-quality solutions within a short amount of time. Recently, a growing body of research has also used machine learning to accelerate solution methods for challenging combinatorial optimization problems. Despite the increasing popularity of these ML-guided methods, a large body of work has focused on Mixed-Integer Linear Programs (MILPs). MBQPs are challenging to solve due to the combinatorial complexity coupled with nonlinearities. This work proposes ML-guided primal heuristics for Mixed Binary Quadratic Programs (MBQPs) by adapting and extending existing work on ML-guided MILP solution prediction to MBQPs. We introduce a new neural network architecture for MBQP solution prediction and a new training data collection procedure. Moreover, we extend existing loss functions in solution prediction and propose to combine contrastive and weighted cross-entropy losses. We evaluate the methods on standard and real-world MBQP benchmarks and show that the developed ML-guided methods significantly outperform existing primal heuristics and state-of-the-art solvers. Furthermore, models trained with our proposed extension with combined losses outperform other ML-based methods adapted from MILPs and improve generalization in cross-regional inference on a real-world wind farm layout optimization problem.
• Abstract（参考訳）: 混合2次二次計画(MBQP)は組合せ最適化において重要かつ複雑な問題の集合である。 大規模な組合せ最適化問題の解決が難しいため、短時間で高品質な解を素早く同定する原始ヒューリスティックスが開発されている。 近年,機械学習を用いて,組合せ最適化問題に対する解法を高速化する研究が増えている。 これらのML誘導手法の普及にもかかわらず、多くの研究がMILP(Mixed-Integer Linear Programs)に焦点を当てている。 MBQPは、非線形性と結合した組合せ複雑性のため、解決が難しい。 本研究は、ML誘導MILPソリューション予測に関する既存の研究をMBQPに適用し、拡張することにより、ML誘導2次二次二次プログラム(MBQP)に対する原始的ヒューリスティックスを提案する。 MBQPソリューション予測のための新しいニューラルネットワークアーキテクチャと,新たなトレーニングデータ収集手順を導入する。 さらに,既存の損失関数を解予測に拡張し,コントラストと重み付きクロスエントロピー損失を組み合わせることを提案する。 提案手法は,標準的なMBQPベンチマークと実世界のMBQPベンチマークで評価し,ML誘導手法が既存の原始的ヒューリスティックスや最先端の解法を著しく上回っていることを示す。 さらに,提案手法を用いて学習したモデルでは,MILPから適応した他のML手法よりも優れた損失が得られ,実世界の風力発電レイアウト最適化問題に対するクロスリージョン推論の一般化が向上した。

関連論文リスト

• SolverLLM: Leveraging Test-Time Scaling for Optimization Problem via LLM-Guided Search [58.116954449750544]
  多様な最適化問題を解決するために,テスト時間スケーリングを活用したトレーニング不要のフレームワークを導入する。 直接的に解くのではなく、数学的定式化を生成し、新しいモンテカルロ木探索戦略によって導かれる解法対応のコードに変換する。
  論文  参考訳（メタデータ） (2025-10-19T16:21:19Z)
• 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-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs [3.3894236476098185]
  RL-SPHは、非二項整数を含むILPに対しても独立に実現可能な解を生成することができる新しい強化学習ベーススタートプライマーである。 実験により、RL-SPHは、既存の原始よりも平均44倍低い原始ギャップと2.3倍低い積分を達成し、高品質な実現可能な解を迅速に得ることが示された。
  論文  参考訳（メタデータ） (2024-11-29T07:23:34Z)
• LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
  このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。 このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-03T18:12:29Z)
• An Expandable Machine Learning-Optimization Framework to Sequential Decision-Making [0.0]
  逐次的意思決定問題を効率的に解決する統合予測最適化(PredOpt)フレームワークを提案する。 本稿では,機械学習(ML)における逐次依存,実現可能性,一般化といった課題に対処し,インスタンス問題に対する最適解の予測を行う。
  論文  参考訳（メタデータ） (2023-11-12T21:54:53Z)
• 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)
• AI-enhanced iterative solvers for accelerating the solution of large scale parametrized linear systems of equations [0.0]
  本稿では、最新のMLツールを活用し、線形方程式系の反復解法をカスタマイズする。 その結果,従来の反復解法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-07-06T09:47:14Z)
• 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)
• 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。