A Survey for Solving Mixed Integer Programming via Machine Learning
Shanghai Jiao Tong University(上海交通大学);Huawei Ltd.(华为技术有限公司)
本文综述了利用机器学习解决混合整数规划(MIP)问题的趋势。理论上,MIP是一个NP难问题,大多数组合优化(CO)问题都可以表示为MIP。与其他CO问题一样,MIP的人工设计启发式算法依赖于良好的初始解,并消耗大量的计算资源。因此,我们考虑应用机器学习方法来解决MIP,因为ML增强的方法可以提供基于历史数据中的典型模式的解决方案。本文首先介绍了MIP的形式和分类,以及几种传统的求解MIP的算法。在此基础上,进一步推动机器学习与MIP的不同融合,并引入相关的基于学习的方法,分为精确算法和启发式算法。最后,我们提出了基于学习的MIP求解器的前景,对MIP以外的组合优化问题的方向,也是传统的求解器和机器学习组件的相互拥抱。
2022-03-06 cs.AI
Domain-Independent Dynamic Programming with Constraint Propagation
Imko Marijnissen 1;J. Christopher Beck 2;Emir Demirović 1;Ryo Kuroiwa 3, 4
本文通过将约束传播整合到动态规划中,实现了动态规划与约束规划方法的结合,有效减少状态扩展数量,在多个组合优化问题中表现出色。
2026-04-28 cs.AI
A Column Generation based Heuristic for the Tail Assignment Problem
Polytechnique Montreal(蒙特利尔综合理工学院)
本文提出了一种有效的启发式加速列生成并行解决飞机的定价问题的尾部分配问题(TAP)。该方法是能够实现相当大的改善,在解决时间为现实生活中的测试实例,从两个主要的印度航空公司。本文考虑了根据航空监管机构对个别飞机进行维修路线的不同限制。我们还提出了一个变量固定启发式,以提高解决方案的完整性。约束编程和列生成的混合在加速解析过程中发挥了重要作用。
2020-09-25 cs.AI cs.CE
A Novel Column Generation Heuristic for Airline Crew Pairing Optimization with Large-scale Complex Flight Networks
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校);GE Digital Aviation Software(通用电气数字航空软件公司);Leiden University(莱顿大学)
机组配对优化(CPO)对于航空公司的商业可行性至关重要,因为机组运营成本仅次于燃料成本。CPO的目的是生成一组飞行序列(机组配对),以最小的成本,同时满足几个合法性约束,以涵盖所有定期航班。最新技术严重依赖于将底层的整数规划问题放松为线性规划问题,而线性规划问题又通过列生成(CG)技术来解决。然而,随着航空公司业务的惊人扩张,CPO受到维数灾难的影响,使得精确的CG实现过时,并需要基于几何的CG实现。然而,在文献中,涉及多个机组人员基地和/或轴辐子网络的非常普遍的大规模复杂飞行网络在很大程度上仍未被研究。本文提出了一种新的CG启发式,这使得内部开发的航空公司机组人员配对优化(AirCROP)。启发式/AirCROP的有效性已经在现实世界的大规模复杂网络实例中进行了测试,这些网络实例包含4,200多个航班,15个机组人员基地和多个中心辐射子网络(导致数十亿多个可能的配对)。值得注意的是,本文有一个专门的重点提出CG启发式(而不是整个AirCROP框架)的基础上平衡随机探索配对;利用领域知识(最优解功能);和利用过去的计算和搜索工作通过归档。虽然本文有一个航空公司的背景下,建议CG启发式可能会发现更广泛的应用在不同的领域,作为一个模板,如何利用领域知识,以更好地解决组合最优化问题。
2021-07-02 cs.AI cs.DM math.OC
Exact and Heuristic Approaches to Drone Delivery Problems
Federal University of Ouro Preto(欧鲁普雷图联邦大学)
飞行伙伴旅行推销员问题(FSTSP)考虑由卡车和无人机组成的交付系统。无人机从卡车上发射,携带一个包裹交付给客户。每架无人机都必须返回卡车充电,拾取另一个包裹,然后再次发射到新的客户位置。这项工作提出了一种新的混合规划(MIP)制定和启发式方法来解决这个问题。proposedMIP配方产生更好的线性松弛界限比以前提出的配方的所有情况下,并能够最佳地解决几个未解决的情况下,从文献。一个混合启发式的基础上,结合禁忌搜索概念的一般可变邻域搜索元启发式,以获得高质量的解决方案,为大规模的实例。在文献中的1415个基准实例上对算法的效率进行了评估,超过80%的最佳已知解得到了改进。
2021-07-29 cs.AI math.OC
Specifying and Exploiting Non-Monotonic Domain-Specific Declarative Heuristics in Answer Set Programming
Siemens AG Österreich(奥地利西门子股份公司);Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学);TU Wien(维也纳工业大学)
特定领域算法是有效解决组合问题的一种基本技术。目前的方法来集成特定领域的算法与答案集编程(ASP)是不令人满意的,当处理指定的非单调的部分分配的基础上的算法。在实践中,例如,当挑选尚未放入装箱箱的物品时,经常会发生这种物流。因此,我们提出了新的语法和语义的声明性规范的领域特定的语法在ASP。我们的方法支持启发式语句,依赖于在解决过程中保持的部分分配,这是不可能的。我们提供了一个实现在ALPHA,使ALPHA的第一个懒惰接地ASP系统,以支持声明指定的特定于域的语法。两个实际的例子域被用来证明我们的建议的好处。此外,我们使用我们的方法来实现知情的搜索与A*,这是第一次在ASP。A* 适用于两个进一步的搜索问题。实验证实,结合懒惰接地ASP解决方案和我们的新算法可以解决工业规模的问题是至关重要的。
2022-09-19 cs.AI
The Multi-AMR Buffer Storage, Retrieval, and Reshuffling Problem: Exact and Heuristic Approaches
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出多AMRBSRRP问题,通过二进制整数规划模型和分层启发式方法解决缓冲区存储、检索和重新排列问题,适用于高密度生产环境。
2026-03-30 cs.AI cs.MA cs.RO
Branch Ranking for Efficient Mixed-Integer Programming via Offline Ranking-based Policy Learning
Shanghai Jiao Tong University(上海交通大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);University College London(伦敦大学学院)
在分支定界算法中,如何选择变量是提高现代混合整数规划求解器效率的关键。随着MIP分支数据收集在以前的解决方案的过程中,学习分支的方法最近变得优越于算法。由于分支定界是一个连续的决策任务,人们应该学会优化整个MIP求解过程的效用,而不是在每一步都目光短浅。在这项工作中,我们制定了学习分支作为一个离线强化学习(RL)的问题,并提出了一个长远的混合搜索方案来构建离线MIP数据集,它的价值的分支决策的长期效用。在策略训练阶段,我们部署了一个基于排名的奖励分配方案,以区分有前途的样本从长期或短期的观点,和训练的分支模型命名为分支排名通过离线策略学习。在合成MIP基准测试和真实任务上的实验表明,与广泛使用的启发式和最先进的基于学习的分支模型相比,分支Rankink更有效,更健壮,并且可以更好地推广到大规模的MIP实例。
2022-07-26 cs.AI cs.DM cs.LG
Test Case Features as Hyper-heuristics for Inductive Programming
Zoea Ltd.(Zoea有限公司)
本文提出用测试用例类型签名作为超启发式,从多个较小的指令子集族中选择一个,并重排子集顺序,从而将归纳编程搜索空间进一步缩小1到3个数量级。
2024-06-29 cs.AI
An effective Genetic Programming Hyper-Heuristic for Uncertain Agile Satellite Scheduling
National University of Defense Technology(国防科技大学)
本文提出了一种有效的遗传编程超启发式方法,用于解决不确定敏捷卫星调度问题,实验显示其在调度策略性能上显著优于传统方法。
2026-02-15 cs.AI cs.NE
Heuristics, Answer Set Programming and Markov Decision Process for Solving a Set of Spatial Puzzles
Centro Universitário FEI(FEI大学中心);University of Corunna(科鲁尼亚大学)
由刚性物体、柔性弦和孔洞组成的空间谜题为人们对日常生活中常见的空间实体进行推理提供了有趣的领域。这项工作的目标是调查这类问题的自动化解决方案,采用一种算法,结合答案集编程(ASP)与马尔可夫决策过程(MDP),算法oASP(MDP),使用启发式算法加速学习过程。ASP被用来表示域作为一个MDP,而强化学习算法(Q学习)被用来找到最优策略。在这项工作中,数学是从放松版本的难题的解决方案。实验进行了确定性,非确定性和非平稳版本的难题。结果表明,所提出的方法可以加速学习过程中,呈现出优势相比,非启发式版本的oASP(MDP)和Q-Learning。
2019-02-16 cs.AI cs.LG
Inductive Learning of Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利公司)
本文提出利用归纳逻辑编程从最优答案集示例中自动学习ASP领域特定声明式启发式,实验证明该方法能提升大规模难题的求解性能与解质量。
2023-08-30 cs.AI
Reinforcement Learning-based Heuristics to Guide Domain-Independent Dynamic Programming
University of Toronto(多伦多大学);National Institute of Informatics(日本信息处理学会)
针对DIDP依赖用户定义对偶界的问题,提出用DQN价值引导和PPO策略引导学习搜索启发式,在相同节点扩展下显著优于标准DIDP及贪婪方法。
2025-05-13 cs.AI cs.LG
Mathematical Programming Strategies for Solving the Minimum Common String Partition Problem
University of the Basque Country UPV/EHU(巴斯克大学 UPV/EHU);Universidad Santo Tomás(圣托马斯大学)
最小公共串划分问题是计算生物学中的一个NP-难组合优化问题。在这项工作中,我们提出了第一个整数线性规划模型来解决这个问题。此外,整数线性规划模型的基础上,我们开发了一个确定性的两阶段启发式算法,适用于较大的问题实例。结果表明,对于文献中的中小规模问题实例,用CPLEX求解所提出的整数线性规划模型,可以得到较好的最优解。此外,新的最知名的解决方案,从文献中获得所有考虑的问题实例。关于启发式,我们能够表明,它优于相关文献中的启发式竞争对手。
2014-05-22 cs.AI cs.DS
Combining Answer Set Programming and Domain Heuristics for Solving Hard Industrial Problems (Application Paper)
University of Calabria(卡拉布里亚大学);Alpen-Adria-Universität Klagenfurt(阿尔卑斯-亚德里亚大学克拉根福分校)
答案集编程(ASP)是一种流行的逻辑编程范式,已被应用于解决各种复杂的问题。在ASP最具挑战性的实际应用中,有两个由西门子定义的工业问题:伙伴单元问题(PUP)和组合配置问题(CCP)。PUP和CCP的最困难的实例是最先进的ASP求解器无法达到的。实验表明,ASP求解器的性能可以显着提高嵌入特定领域的算法,但在现成的ASP实现这样的标准是不明显的一个适当的有效集成。本文研究了ASP与特定领域启发式算法的结合,目标是有效地解决PUP和CCP的现实问题实例。作为此活动的副产品,ASP求解器WASP扩展了一个接口,该接口可以轻松地在求解器中嵌入新的外部算法。评估结果表明,我们的领域启发式驱动的ASP求解器发现解决方案的所有现实世界的实例PUP和CCP曾经提供的西门子。本文件正在考虑被TPLP接受。
2016-08-02 cs.AI cs.LO cs.PL
Action-Increment-Constrained Policy Optimization for Smooth Online Adaptive Critic Flight Control with Actuator Rate Constraints and Low Computational Complexity (extended version with Ultimate Uniform Boundedness analysis)
Section Control and Simulation, Faculty of Aerospace Engineering, Delft University of Technology(控制与仿真部门,航空航天工程学院,代尔夫特理工大学)
本文提出在线时间平滑技术与低通滤波器以提升飞行控制系统动作平滑性,通过FFT分析策略性能,验证了方法的有效性。
2026-10-27 cs.AI cs.SY eess.SY
An Approximate Dynamic Programming Framework for Occlusion-Robust Multi-Object Tracking
Arizona State University(亚利桑那州立大学)
提出ADPTrack框架,利用动态规划处理后续帧生成暂定轨迹以减少遮挡错误,在MOT17上IDF1提升0.7%,尤其适用于固定摄像机场景。
2024-05-24 cs.AI cs.CV
Fuzzy Integer Linear Programming Mathematical Models for Examination Timetable Problem
NIIT University(NIIT大学);Netaji Subhas Open University(内塔吉·苏巴斯开放大学)
ETP是NP难的组合优化问题。在过去的几年里,由于它在大学中的广泛使用,它已经得到了巨大的研究关注。在本文中,我们开发了三个数学模型NSOU,加尔各答,印度使用FILP技术。为了处理分配变量的不精确性和不确定性,我们用模糊数对各种分配变量进行建模。利用模糊数排序法得到了问题的解。每个可行解都有模糊数,由模糊目标函数得到。不同的FILP技术的性能证明了通过广泛的模拟从NSOU,加尔各答,印度在其执行时间的实验数据。提出的FILP模型进行了比较,常用的启发式即ILP方法的实验数据,给出了一个想法的启发式的质量。该技术还比较了不同的人工智能为基础的ETP的最佳和平均成本以及执行时间的措施,卡特基准数据集,以说明其有效性。与其他启发式方法相比,FILP需要相当多的时间来生成令人满意的解决方案。因此,该公式可作为其他化学品的良好基准。这里提出的实验研究的重点是产生一种方法,该方法可以很好地概括为一个或多个数据集生成显著结果的技术谱。FILP模型的性能进行了比较,最后在文献中引用的卡特基准,以评估其潜力的最佳结果。该问题可以进一步减少制定与较少的分配变量,它不影响最优性的解决方案。ETP的FLIP模型也适用于其它ETP问题和组合优化问题。
2013-07-07 cs.AI
Instruction and Solution Probabilities as Heuristics for Inductive Programming
Zoea Ltd(Zoea有限公司)
本研究在归纳编程的指令子集方法基础上,新增指令概率与解概率启发式剪枝搜索空间,结合人类代码样本验证显示可大幅缩减搜索空间,且对未见过的代码同样有效。
2025-06-13 cs.AI cs.SE
Genetic Programming with Reinforcement Learning Trained Transformer for Real-World Dynamic Scheduling Problems
Digital Port Technologies Lab, School of Computer Science, University of Nottingham Ningbo China(诺丁汉大学宁波校区计算机科学学院数字港口技术实验室);School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院);Department of Engineering, University of Cambridge(剑桥大学工程学院);School of Engineering, Westlake University(西湖大学工程学院)
针对真实世界动态调度难以适应干扰的问题,本文提出GPRT方法,结合遗传规划与强化学习训练的Transformer,通过双重优化提升启发式算法适应性,在集装箱码头卡车调度中优于现有方法,并具备通用性。
2025-08-05 cs.AI
Guiding Large Language Models with Genetic Programming-Evolved Heuristic Knowledge for Dynamic Multi-Mode Project Scheduling
Centre for Data Science and Artificial Intelligence(数据科学与人工智能中心);School of Engineering and Computer Science(工程与计算机科学学院);Victoria University of Wellington(惠灵顿维多利亚大学)
本研究将遗传编程演化的调度规则知识反向转移,通过四种机制指导大语言模型决策,提升了调度性能、决策稳定性并降低 token 消耗。
2026-07-31 cs.AI cs.NE
A novel model-based heuristic for energy optimal motion planning for automated driving
Virtual Vehicle Research Center(虚拟车辆研究中心);Graz University of Technology(格拉茨理工大学)
预测性运动规划是实现节能驾驶的关键,节能驾驶是自动驾驶的主要优势之一。研究人员一直在研究速度轨迹的规划,一种更简单的运动规划形式,十多年了,有许多不同的方法可用。动态规划已被证明是最常见的选择,由于其数值背景和能力,包括非线性约束和模型。虽然最佳轨迹的规划是以系统的方式完成的,但是动态规划不使用关于所考虑的问题的任何知识来指导探索,因此探索所有可能的轨迹。A* 是一种搜索算法,它可以使用有关问题的知识来引导探索最有希望的解决方案。知识必须以启发式函数的形式表示,这给出了过渡到最终状态的成本的乐观估计,这不是一个简单的任务。本文提出了一种新的动力学,结合空气阻力和辅助动力以及车辆的运营成本,除了动能和势能和滚动阻力在文献中已知的。进一步推导了最佳巡航速度,它取决于车辆的气动特性和辅助功率。结果进行了比较,不同的启发式函数和动态规划以及变种。
2018-03-08 cs.AI math.OC
The Word is Mightier than the Label: Learning without Pointillistic Labels using Data Programming
Carnegie Mellon University(卡内基梅隆大学)
大多数高级监督机器学习(ML)模型依赖于大量逐点标记的训练样本。手工标记大量的数据可能是乏味的,昂贵的,并且容易出错。最近,一些研究探索了使用不同来源的弱监督,以产生竞争性的最终模型分类器。在本文中,我们调查最近的工作弱监督,特别是,我们调查的数据编程(DP)框架。以一组潜在的噪声统计作为输入,DP使用统计的概率图模型为数据集中的每个数据点分配去噪的概率标签。我们分析了DP背后的数学基础,并通过将其应用于两个现实世界的文本分类任务来展示它的强大功能。此外,我们比较DP与点画主动和半监督学习技术传统上应用于数据稀疏设置。
2021-08-26 cs.AI cs.LG
Surrogate-Assisted Genetic Programming with Rank-Based Phenotypic Characterisation for Dynamic Multi-Mode Project Scheduling
IEEE
本文提出基于启发式驱动的排名表型特征化方案,用于动态多模式资源受限项目调度问题,通过 surrogate 模型降低计算成本,提升遗传编程的效率和性能。
2026-03-17 cs.AI cs.NE
Linear Programming helps solving large multi-unit combinatorial auctions
以前的作品建议使用分支定界技术找到最优分配(多单位)组合拍卖。他们认为线性规划可以为最优分配提供一个很好的上限,但他们继续使用更轻和更不严格的上限算法,理由是线性规划太耗时,无法重复使用来解决大型组合拍卖。我们提出了广泛的实验解决大(多单位)组合拍卖根据不同的研究人员提出的分布产生的结果。令人惊讶的结论是,线性规划值得使用。投资几乎所有的计算时间使用LP从最优解的值以上绑定,以积极修剪回报。我们提出了一种方法来节省调用的LP例程和实验结果比较不同的算法选择出价要考虑的下一个。这些结果表明,基于出价大小的平方根的排序在作者以前的论文中被证明是理论上最优的,在实践中表现得比其他人好得多。选择首先处理松弛LP问题的最优解中具有最大系数(通常为1)的投标,也是一个很好的选择。贪婪算法提供的下界和LP提供的上界之间的差距通常很小,因此修剪是广泛的。对于大多数分配,在几千个投标中拍卖几百件商品在实践中是可以解决的。所有实验均在Matlab下的PC上运行。
2002-02-15 cs.AI cs.GT
Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach
University of Verona(维罗纳大学)
本文利用 ILP 从 POMDP 执行轨迹中学习可解释的 ASP 置信策略规约,作为在线启发式指导 POMCP、DESPOT 和 AdaOPS,并在 rocksample 与 pocman 上验证其高效、优越且可泛化。
2024-02-29 cs.AI cs.LG cs.LO
Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI
Research Engineering Team REANNZ New Zealand;Centre for Data Science;Artificial Intelligence \& School of Engineering;Computer Science Victoria University of Wellington New Zealand
本文提出基于Claude智能体AI的系统性重构方法,用于解决Python项目调度仿真代码的运行瓶颈,使运行时间大幅缩短,年节省大量核心小时与成本。
2026-08-21 cs.AI cs.NE cs.SE
Optimal Survival Trees: A Dynamic Programming Approach
Delft University of Technology(代尔夫特理工大学)
针对生存分析预测,本文首次提出基于动态规划的最优生存树方法,具备最优性保证并能评估启发式方法的最优性差距,通过特殊算法提升可扩展性,实验表明其运行时间优于部分启发式方法且预测性能与最先进方法相当。
2024-01-09 cs.AI cs.DS cs.LG
Optimizing Answer Set Computation via Heuristic-Based Decomposition
Department of Mathematics and Computer Science University of Calabria(卡利亚里大学数学与计算机科学系);University of Calabria(卡利亚里大学);Department of Mathematics and Computer Science(数学与计算机科学系);Rende Italy(伦代(意大利)(注:此为地址信息,非机构,不应提取,原提取有误,正确应为仅提取前两个有效机构相关部分,但按文本结构准确提取应为“Department of Mathematics and Computer Science University of Calabria”))
回答集编程(ASP)是在逻辑编程和非单调推理领域中发展起来的一种纯声明性的形式主义:计算问题由逻辑程序编码,其回答集对应于解决方案,由ASP系统计算。不同的,语义等价的,程序可以定义为相同的问题,但是,系统评估它们的性能可能会显着不同。我们提出了一种方法,自动转换成一个等价的输入逻辑程序,可以更有效地评估。人们可以利用现有的树分解技术重写选定的规则成一组多个的,其思想是引导和自适应地应用它们的基础上,适当的新的算法,以获得一个智能的重写算法集成到ASP系统。该方法是相当普遍的:它可以适用于任何系统,并实现不同的偏好政策。此外,我们定义了一套新的专门针对优化接地,ASP计算的主要阶段之一,我们使用它们,以实现该方法到ASP系统DLV,特别是到其接地子系统I-DLV,并进行了广泛的实验活动,评估该建议的影响。逻辑程序设计理论与实践(TPLP)
2019-01-11 cs.AI cs.CL cs.LO
Online Linear Programming for Multi-Objective Routing in LLM Serving
School of Mathematical Sciences, Peking University(北京大学数学科学学院)
研究大语言模型服务在线路由问题,引入多目标优化框架将路由设为在线线性规划,应用高效出价控制策略,开发热启动投影一阶更新,集成路由器到模拟器,结果表明基于科学方法优于启发式方法。
2026-07-07 cs.AI cs.LG math.OC
Towards Automatic Learning of Heuristics for Mechanical Transformations of Procedural Code
IMDEA Software Institute(IMDEA软件研究所);Universidad Politécnica de Madrid(马德里理工大学)
下一代艾级系统的当前趋势是将各种专用(协)处理器集成到传统的超级计算机中。由于异构系统在每表面单元的瓦特和FLOPS方面的效率,向更广泛的用户开放异构平台的访问是一个需要解决的重要问题。然而,异构平台限制了应用程序的可移植性,并由于所需的编程技能而增加了开发复杂性。通过定义一个逐步的转换过程,将给定的初始代码转换为语义上等价的最终代码,但适用于特定的平台,程序转换可以帮助编程异构系统更容易。程序转换系统需要定义有效的转换策略,以解决由于在过程的每个步骤中可应用的大量转换而出现的组合问题。在本文中,我们提出了一个机器学习为基础的方法来学习算法来定义程序转换策略。我们的方法提出了一种强化学习和分类方法的新组合,以有效地解决这类系统固有的问题。初步结果表明,这种方法的适用性。
2017-01-25 cs.AI cs.PL
SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning
École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎综合理工大学);École Polytechnique de Montréal(蒙特利尔综合理工学院)
设计求解组合优化问题的高效通用算法是一个活跃的研究领域。标准的精确求解方法是基于对解集的巧妙而完整的枚举。使用这种方法的一个关键和重要的设计选择是分支策略,它指导如何执行搜索。在过去的十年中,人们对设计基于机器学习的算法来解决组合优化问题表现出越来越大的兴趣。目标是利用历史数据中的知识来解决问题的类似新实例。单独使用时,这种算法只能有效地提供近似解,但不能证明其解的最优性或边界。最近的工作表明,强化学习可以成功地用于驱动约束规划(CP)求解器的搜索阶段。然而,也已经表明,这种混合是具有挑战性的建设,因为标准的CP框架不包括原生的机器学习机制,导致一些低效率的来源。本文介绍了SeaPearl的概念证明,这是一种在Julia中实现的新CP求解器,它支持机器学习例程,以便使用强化学习来学习分支决策。还提供了对学习组件建模的支持。我们说明了两个问题的建模和解决方案的性能,这个新的求解器。虽然还没有与工业求解器竞争,但SeaPearl旨在提供一个灵活的开源框架,以促进未来约束编程和机器学习混合的研究。
2021-04-20 cs.AI cs.LG
Revisiting the Training of Logic Models of Protein Signaling Networks with a Formal Approach based on Answer Set Programming
CNRS(法国国家科学研究中心);IRISA(法国信息与随机系统研究所);INRIA(法国国家信息与自动化研究所);National Center for Tumor Diseases(国家肿瘤疾病中心);University of Padova(帕多瓦大学);European Bioinformatics Institute (EMBL-EBI)(欧洲生物信息研究所(EMBL-EBI));University of Potsdam(波茨坦大学)
数学模型的构建和数据训练是系统生物学的一个基本问题。逻辑形式主义已经成为非常流行的建模信号网络,因为它们的简单性使我们能够建模包含数百个蛋白质的大型系统。最近引入了一种对高通量磷酸化蛋白质组学数据进行训练(布尔)逻辑模型的方法,并使用基于随机方法的优化算法来解决该问题。在这里,我们演示了如何使用答案集编程(ASP),一个声明性的问题解决范式,其中一个问题被编码为一个逻辑程序,使其答案集代表解决方案的问题,可以解决这个问题。ASP在效率和可扩展性方面比启发式方法有了显著的改进,它保证了解的全局最优性,并提供了完整的解集。我们说明了ASP的应用与基于现实的网络和数据的硅片的情况下。
2012-12-22 cs.AI cs.CE cs.LG
Improving DPLL Solver Performance with Domain-Specific Heuristics: the ASP Case
Eastman Kodak Company(伊士曼柯达公司)
尽管基于DPLL过程的求解器的性能最近有所改进,但搜索算法仍然可能集中在搜索空间的错误区域上,从而阻止求解器在可接受的时间量内返回解。这种前景是一个真正的问题,例如在工业环境中,用户通常期望一致的性能。为了克服这个问题,我们提出了一个框架,允许学习和使用特定领域的算法在求解器的基础上的DPLL程序。学习是离线完成的,在目标域的代表性实例上,然后将学习到的算法用于选择点选择。在本文中,我们专注于答案集编程(ASP)求解器。在我们的实验中,引入特定于域的算法将硬实例的性能提高了3个数量级(平均2个数量级),几乎完全消除了由于等待答案变得不可接受而必须终止求解器的情况。
2011-02-10 cs.AI cs.LO
MurTree: Optimal Classification Trees via Dynamic Programming and Search
Delft University of Technology(代尔夫特理工大学);LAAS CNRS(法国国家科学研究中心LAAS实验室);RMIT University(皇家墨尔本理工大学);University of Melbourne(墨尔本大学);Monash University(莫纳什大学);DATA61(DATA61研究所)
决策树学习是机器学习中广泛使用的方法,在需要简洁和可解释模型的应用中受到青睐。传统上使用探试法来快速产生具有相当高精度的模型。然而,一个普遍的批评点是,所得到的树可能不一定是数据在准确性和大小方面的最佳表示。近年来,这激发了最优分类树算法的发展,该算法与执行一系列局部最优决策的探试法相比,全局优化决策树。我们遵循这条工作路线,并提供了一种新的算法学习最佳分类树的基础上动态规划和搜索。我们的算法支持树的深度和节点数的约束。我们的方法的成功归功于一系列专门的技术,利用独特的分类树的属性。而最佳分类树的算法传统上受到高运行时间和有限的可扩展性的困扰,我们在一个详细的实验研究表明,我们的方法只使用了一小部分的时间所需的最先进的,可以处理数据集与成千上万的实例,提供了几个数量级的改进,特别是对实际实现的最佳决策树的贡献。
2022-06-28 cs.AI cs.DS cs.LG