Connections between Bressan's Mixing Conjecture, the Branched Optimal Transport and Combinatorial Optimization
本文研究 Bressan 混合猜想的一维形式,将其表述为经典最优传输、分支最优传输及组合优化问题,并证明离散情形下可行解数量与 Catalan 数量级相关。
2024-03-04 math.OC
A combinatorial algorithm for constrained assortment optimization under nested logit model
研究了两层嵌套logit模型下具有不相交基数约束的产品分类最优化问题。为了解决这个问题,我们首先确定一个候选集与$O(mn^2)$的配置,并表明,至少有一个最佳的品种包括在这个集合。基于这一观察,一个快速算法,它运行在$O(m n^2 \log mn)$时间,提出了找到一个最佳的搭配。
2016-03-30 math.OC
Large Markov Decision Processes and Combinatorial Optimization
本文综述大型 Markov 决策过程的求解文献,关注其规模导致的数值不可处理性,并讨论如何借助这些过程解决重要组合优化问题。
2023-12-06 math.OC
Strongly Polynomial Primal-Dual Algorithms for Concave Cost Combinatorial Optimization Problems
针对一类具有凹代价的组合最优化问题,提出了一种算法设计技术。这种技术产生一个强多项式原始对偶法的凹成本问题,只要这样的算法存在的固定费用对应的问题。对于许多实际的凹费用问题,固定费用问题是一个研究得很好的组合最优化问题。我们的技术保留常数因子近似比,以及仅取决于某些问题参数的比率,精确算法产生精确算法。利用我们的技术,我们得到了一个新的1.61近似算法的凹成本设施定位问题。对于库存问题,我们得到了具有一般凹订货费用的经济批量问题的一个新的精确算法,以及具有一般凹个体订货费用的联合补货问题的一个4-近似算法.
2012-02-13 math.OC
An Active Set Algorithm for Robust Combinatorial Optimization Based on Separation Oracles
本文研究了不确定系数在椭球不确定集上变化的组合最优化问题。这样的问题的鲁棒对应可以重写为二阶锥规划(SOCP)与完整性约束。我们提出了一个分支定界算法的对偶边界计算的有效集算法。后者应用于连续松弛的拉格朗日对偶,其中组合问题的可行集假定由分离预言机给出。该方法得益于封闭形式的解决方案的活动集的子问题,并从一个智能更新的伪逆矩阵。我们提出了随机生成的实例和不同的组合问题,包括最短路径和流动推销员问题的实例上的数值实验,表明我们的新算法始终优于国家的最先进的混合整数SOCP求解Guesthouse。
2018-04-06 math.OC
Explicit sets with ideal robustness are achievable in combinatorial optimization problems with cost uncertainty
本文提出一种标准约束生成算法,用于在具有成本不确定性的组合优化问题中寻找鲁棒性等同于可行解集的显式集合,计算实验表明该算法在中等维度下运行时间可容忍,且达到近理想鲁棒性所需解的数量便于决策者管理。
2023-04-08 math.OC
Wasserstein robust combinatorial optimization problems
针对目标函数成本不确定的组合优化问题,提出以经验分布为中心的Wasserstein球定义分布模糊集,求解最差分布下CVaR最小的解,分析问题复杂度并给出不同支撑集的求解方法,推广细化了Wasserstein鲁棒最短路径的已知结果。
2023-12-20 math.OC
A modeling framework for Ordered Weighted Average Combinatorial Optimization
多目标组合优化处理考虑多个观点或方案的问题。当Pareto解的数量变得相当大或者当需要单个有意义的解时,聚合多个准则以获得全局化目标函数的问题是特别感兴趣的。当优先信息可用且目标具有可比性时,“有序加权平均”或“有序中值”运算符非常有用,因为它们不是将重要性权重分配给特定目标,而是分配给其排序值。本文从建模的角度研究了有序加权平均最优化问题。替代整数规划配方等问题,并研究和比较各自的领域。此外,还研究了它们的相关多面体,给出了一些面族和新的有效不等式族。针对最短路径和最小代价完美匹配这两个著名的组合最优化问题,对所提出的公式进行了具体化,并给出了计算实验的结果和分析。这些结果表明,新的配方加强适当的约束,可以有效地解决中型到大型的实例。
2013-06-06 math.OC
Multi-objective minmax robust combinatorial optimization with cardinality-constrained uncertainty
在本文中,我们发展了两种方法来寻找具有基数约束的不确定性的多目标组合最优化问题的极小极大鲁棒有效解。首先,我们将Bertsimas和Sim(2003)的单目标优化算法推广到多目标最优化。我们还提出了一个增强,以加速算法,即使是单目标的情况下,我们开发了一个更快的版本,为特殊的多目标实例。其次,我们引入了一个确定性的多目标问题的总和和瓶颈功能,它提供了一个超集的鲁棒有效解。在此基础上,提出了一种求解多目标不确定最短路问题的标号设置算法。我们在源于危险材料运输的多目标不确定最短路问题的实例中比较了这两种方法。
2017-01-23 math.OC
Capacitated Assortment Optimization with Pricing under the Paired Combinatorial Logit Model
本文研究了在成对组合Logit模型下带定价的容量约束的产品分类最优化问题,其目标是在已知容量限制下确定产品的收入最大化子集及其销售价格.我们使用配对组合logit模型来模拟客户的购买行为,该模型允许任何一对产品之间的协方差。我们制定这个问题作为一个非线性混合整数规划。然后,我们提出了一个两步的方法来获得最优解的基础上解决一个混合整数规划和Lambert-W函数。为了进一步提高其性能,我们设计了一个贪婪的启发式算法和贪婪的随机自适应搜索过程,以获得高质量的解决方案,以平衡精度和计算效率之间的权衡。一系列的数值实验进行衡量我们所提出的方法的效率和质量。
2018-10-23 math.OC
Gradient descent procedure for solving linear programming relaxations of combinatorial optimization problems in parallel mode on extra large scale
线性规划(LP)松弛是求解组合优化(CO)难题的标准技术。在这里,我们提出了一个梯度下降算法,利用一些LP松弛CO问题引起的特殊结构。该算法可以并行运行,并以CUDA C/C++程序的形式在GPU上实现。通过求解一个分数2-匹配问题,验证了算法的有效性.我们的结果表明,分数2匹配问题与100,000节点的解决我们的算法在现代GPU上的规模为一秒,而单纯形方法解决问题将需要一个多小时。该算法可以修改,以解决更复杂的LP松弛来自CO问题。
2020-11-16 math.OC
Gamma counterparts for robust nonlinear combinatorial and discrete optimization
本文将 Gamma 不确定性集方法推广至(混合整数)非线性优化规划,推导了不受不确定性影响的等价鲁棒对应公式,并展示了多项式预言机调用可解性及实际应用实例。
2023-04-04 math.OC
Convex Combinatorial Optimization
我们介绍了凸组合最优化问题,一个深远的推广的标准线性组合最优化问题。我们证明了它是强多项式时间可解的任何边缘保证的家庭,并讨论了几个应用。
2003-09-05 cs.DM math.CO math.OC
Recent Results on Douglas-Rachford Methods for Combinatorial Optimization Problems
我们讨论最近的积极经验,应用凸可行性算法的道格拉斯-Rachford型高度组合和远离凸问题。
2013-05-13 math.CO math.OC
On Application of the Local Search and the Genetic Algorithms Techniques to Some Combinatorial Optimization Problems
本文提出了用局部搜索和遗传算法技术求解几个组合优化问题的方法。最初,这种方法的目的是克服一些困难,抑制上述技术的应用问题的问卷理论。但当算法被开发出来时,很明显,它们也可以成功地应用于最小集合覆盖,0-1背包,并可能应用于其他组合优化问题。
2010-04-29 cs.NE math.OC
Approximate Shifted Combinatorial Optimization
移位组合优化是一种新的非线性最优化框架,它是标准组合优化的广泛扩展,涉及一次选择多个可行解。它捕捉到了从充血到分区问题的各种各样的问题。特别是,每个标准的组合最优化问题都有其移位的对应问题,这通常要困难得多。在这里,我们开始研究这个广泛的优化框架的近似算法。
2017-06-07 cs.DM cs.DS math.CO
Extended Formulations in Combinatorial Optimization
将与组合最优化问题相关的多面体表示为高维多面体的线性投影的概念近来受到越来越多的关注。在本文中(写的通讯Optima的数学优化学会),我们提供了一个简短的介绍这一主题,并勾勒出一些最近的事态发展,这两个工具,用于构建这样的扩展配方,以及它们的大小的下界。
2011-04-06 math.CO math.OC
Formulation of problems of combinatorial optimization for solving problems of management and planning of cloud production
Reshetnev Siberian State University of Science and Technology(西伯利亚国立科技大学(列舍特涅夫院士命名))
研究了组合最优化问题在解决基于可重构生产资源的工业过程规划问题中的应用。给出了用混合整数规划方法求解的结果。
2022-12-05 cs.RO math.OC
Computation with Polynomial Equations and Inequalities arising in Combinatorial Optimization
本说明的目的是调查的方法来解决系统的多项式方程和不等式。我们讨论的技术使用域上系数的多元多项式代数来创建大规模线性代数或多种可行性或优化问题的半定规划松弛。我们特别感兴趣的组合优化中出现的问题。
2009-09-04 math.AC math.OC
Ecole: A Gym-like Library for Machine Learning in Combinatorial Optimization Solvers
Mila(米拉);Polytechnique Montréal(蒙特利尔理工学院);Technische Universiteit Delft(代尔夫特理工大学)
我们提出了Ecole,一个新的库,以简化组合优化的机器学习研究。Ecole揭示了在通用组合优化求解器中出现的几个关键决策任务,作为马尔可夫决策过程的控制问题。它的界面模仿了流行的OpenAI Gym库,可扩展且使用直观。我们的目标是使这个图书馆成为一个标准化的平台,降低进入门槛,加速该领域的创新。文档和代码可以在https://www.ecole.ai上找到。
2020-11-24 cs.LG math.OC
Computational Models based on Synchronized Oscillators for Solving Combinatorial Optimization Problems
动力系统中能量的自然最小化与表征组合最优化问题的目标函数的最小化之间的等价性为设计动力系统启发的计算模型和此类问题的求解器提供了一种有前途的方法。例如,在二次谐波注入下,耦合电子振子的基态能量可以直接映射到最大割问题的最优解。然而,先前的工作集中在有限的一组这样的问题。因此,在这项工作中,我们制定了计算模型的基础上同步振荡器动力学的组合最优化问题,范围从最大-K切割(一般版本的最大切割问题)的流动推销员问题。我们表明,同步振荡器的动力学可以工程解决这些不同的组合最优化问题通过适当地设计耦合函数和外部注入振荡器。我们的工作标志着朝着扩展基于模拟器的模拟加速器的功能迈出了一步,并进一步扩大了组合最优化问题的动力系统求解器的范围。
2022-06-13 cs.CC math.OC
Bayesian Optimization of Combinatorial Structures
Massachusetts Institute of Technology(麻省理工学院);The University of Arizona(亚利桑那大学)
在组合结构上优化代价高的黑箱函数是机器学习、工程和自然科学中普遍存在的任务。搜索空间的组合爆炸和昂贵的评估对离散优化和机器学习中的当前技术提出了挑战,并且迫切需要新的算法思想。本文提出,据我们所知,第一个算法来克服这些挑战,基于自适应,可扩展的模型,即使在数据稀缺的情况下,也能识别有用的组合结构。我们的采集功能率先使用半定编程来实现效率和可扩展性。实验结果表明,该算法在组合优化和贝叶斯优化方面均优于其他方法。
2018-10-10 cs.LG math.OC stat.ML
From Data to Combinatorial Multivector field Through an Optimization-Based Framework
本文提出基于优化的框架,从有限向量场数据构造组合多向量场,解决凸性、计算复杂度与分辨率问题,并给出理论保证和实用方法。
2025-01-02 math.CO math.DS math.OC
Data-driven Prediction of Relevant Scenarios for Robust Combinatorial Optimization
University of Siegen(锡根大学);University of Amsterdam(阿姆斯特丹大学)
研究了离散不确定性组合最优化问题的迭代法。我们提出了一种基于机器学习的启发式方法来确定提供强下界的起始场景。为此,我们设计维度无关的功能和训练随机森林分类器上的小尺寸的情况下。实验表明,我们的方法提高了解决方案的过程中包含在训练集中的更大的实例,也提供了一个功能的重要性分数,让洞察场景属性的作用。
2022-12-23 cs.LG math.OC
Memetic firefly algorithm for combinatorial optimization
萤火虫算法是一种受自然启发的现代元启发式算法,可以成功地应用于连续最优化问题。在本文中,我们已经应用萤火虫算法,与局部搜索启发式混合,组合最优化问题,我们使用图3-着色问题作为测试基准。建议的模因萤火虫算法(MFFA)的结果进行了比较的混合进化算法(HEA),Tabucol,和进化算法与SAW方法(EA-SAW)通过着色的一套中等规模的随机图(图与500顶点)使用Culberson随机图生成器生成的结果。萤火虫算法的结果是非常有前途的,表明该算法可以成功地应用于在不久的将来的其他组合最优化问题以及。
2012-05-10 math.GR math.OC
DeepCO: Offline Combinatorial Optimization Framework Utilizing Deep Learning
Hitachi, Ltd.(株式会社日立)
组合优化在许多现代工业应用中起着重要作用。由于安全和/或成本问题,大量的问题是离线设置。虽然基于模拟的方法似乎很难实现复杂的系统,在这项研究中,我们提出了DeepCO,一个利用深度学习的离线组合优化框架。我们也设计了旅行商问题(TSP)的离线变化模型仓库操作序列优化问题进行评估。在历史数据有限的情况下,本文提出的分布正则化优化方法在离线TSP实验中的性能优于现有的基线方法,平均减少路径长度5.7%,在现实问题中显示出巨大的潜力。
2020-07-20 cs.LG math.OC stat.ML
Dynamical system-based computational models for solving combinatorial optimization on hypergraphs
动力系统的内禀能量最小化为组合优化中的计算难题的目标函数最小化提供了一个有价值的工具。然而,大多数现有工作集中于将这种动态映射到目标函数具有二次度的组合优化问题(例如,MaxCut);这些问题可以使用图形来表示和分析。然而,开发这种模型的问题,需要的目标函数的程度大于2,随后,需要使用超图数据结构的工作,是相对稀疏的。在这项工作中,我们开发了动力系统启发的计算模型的几个这样的问题。具体来说,我们定义的“能量函数”的超图为基础的组合问题,从布尔SAT和它的变种,以整数分解,随后,定义所产生的系统动力学。我们还证明了该设计方法适用于二次优化问题,并使用它开发了一种新的动力系统公式来最小化伊辛汉密尔顿。我们的工作不仅扩大了可以直接映射到并使用物理模型解决的问题的范围,而且还为设计用于解决组合优化的高性能加速器创造了新的机会。
2022-07-20 math.OC physics.app-ph
Restructuring in Combinatorial Optimization
Inst. for Information Transmission Problems, Russian Acad. of Sci.(俄罗斯科学院信息传输问题研究所)
本文讨论了一类新的组合优化问题,即组合优化中解的重构问题。两个主要特点的重组过程中进行检查:(一)重组的成本,(二)接近一个目标的解决方案。这个问题对应于模块化系统或解决方案的重新设计(改进、升级)。对以下组合优化问题:背包问题、多项选择问题、指派问题、生成树问题进行了描述和说明。举例说明了重组过程。
2011-02-08 cs.AI cs.DS math.CO
Robust two-stage combinatorial optimization problems under convex uncertainty
本文讨论了一类鲁棒两阶段组合优化问题。假设不确定的第二阶段成本以凸不确定性集的形式指定,特别是多面体或椭球形的。结果表明,基本网络和选择问题的鲁棒两阶段版本是NP难的,即使在非常严格的情况下。构造了一般问题的精确算法和近似算法。多项式和近似算法的强大的两阶段版本的基本问题,如选择和最短路径问题,也提供了。
2019-05-07 cs.DS math.OC
Bayesian Variational Optimization for Combinatorial Spaces
University of Toronto(多伦多大学);Vector Institute(向量研究所)
本文主要研究组合空间中的贝叶斯优化问题。在自然科学的许多应用中。广泛的应用包括分子,蛋白质,DNA,器件结构和量子电路设计的研究,需要在组合分类空间上进行优化以找到最优或帕累托最优解。然而,只有有限数量的方法被提出来解决这个问题。其中许多算法依赖于高斯过程的组合贝叶斯优化。高斯过程遭受大数据大小的可扩展性问题,因为它们的缩放相对于数据点的数量是立方的。这对于优化大的搜索空间通常是不切实际的。在这里,我们介绍了变分贝叶斯优化方法,结合变分优化和连续松弛的贝叶斯优化的采集功能的优化。重要的是,该方法允许基于梯度的优化,并具有优化大数据大小和数据维度的问题的能力。我们已经表明,我们的方法的性能是最先进的方法相媲美,同时保持其可扩展性的优势。我们还将我们的方法应用于分子优化。
2020-11-03 cs.LG math.OC stat.ML
Combinatorial optimization in geometry
我们研究的模空间的欧氏结构与锥点的表面上,并描述了分解成细胞,每个细胞对应于一个给定的组合类型的Delaunay镶嵌。我们利用其中的一些思想来研究三维流形上的双曲结构
1999-07-06 math-ph math.DG math.GT
Output-sensitive Complexity of Multiobjective Combinatorial Optimization
研究了多目标组合最优化问题的输出敏感算法及其复杂性。在这个计算复杂性框架中,一般计数问题的算法如果是输出敏感的,即,其运行时间由输入和输出大小的多项式限定。我们提供了实际的例子MOCO问题,这种有效的算法存在,以及问题,没有有效的算法存在温和的复杂性理论假设下。
2016-10-23 cs.CC cs.DS math.OC
On modeling hard combinatorial optimization problems as linear programs: Refutations of the "unconditional impossibility" claims
在最近的文献中有一系列的发展(基本上是同一个“圈子”的作者)与绝对/无条件(隐式或显式)声称不存在NP完全组合优化问题的抽象,其中定义组合配置(例如,在旅行推销员问题(TSP)的情况下的"旅行")可以通过线性约束的多项式大小的系统来建模。本文的目的是提供一般以及具体的驳斥这些最近的索赔。
2019-02-10 cs.CC cs.DS math.OC
Learning for Robust Combinatorial Optimization: Algorithm and Application
UC Riverside(加州大学河滨分校);University of Virginia(弗吉尼亚大学)
学习优化(L2 O)最近已经成为一种很有前途的方法来解决优化问题,通过利用强大的预测能力的神经网络,并提供较低的运行时复杂性比传统的求解器。虽然L2 O已被应用于各种问题,但一类关键但具有挑战性的问题-以极大极小优化形式的鲁棒组合优化-在很大程度上仍然未被探索。除了决策空间呈指数增长外,鲁棒组合优化的一个关键挑战在于内部优化问题,该问题通常是非凸的,并且与外部优化纠缠在一起。在本文中,我们研究了鲁棒组合优化,并提出了一种新的学习为基础的优化,称为LRCO(学习鲁棒组合优化),快速输出一个强大的解决方案,在不确定的情况下。LRCO利用了一对基于学习的优化器--一个用于最小化器,另一个用于最大化器--它们使用各自的目标函数作为损失,并且可以在不需要标签的情况下训练问题实例。为了评估LRCO的性能,我们对车辆边缘计算中的任务卸载问题进行了模拟。我们的研究结果表明,LRCO可以大大降低最坏情况下的成本,提高鲁棒性,同时具有非常低的运行时复杂度。
2021-12-20 cs.LG eess.SP math.OC
Approximating multiobjective combinatorial optimization problems with the OWA criterion
本文研究了一类具有$K$线性代价函数的多目标组合优化问题。流行的有序加权平均(OWA)标准被用来聚合的成本函数和计算的解决方案。众所周知,即使目标数$K$等于2,最小化最基本组合问题的OWA也是弱NP难的,而当$K$是输入的一部分时,OWA是强NP难的.本文研究了OWA准则中权值不增的问题和一个大的$K$。提出了一种通过在求解问题之前对目标成本进行适当的集结来减少目标数量的方法。结果表明,减少问题的最优解有一个保证最坏情况下的近似比。Hurwicz准则,这是一个特殊的情况下,OWA,也提出了一些新的近似结果。
2018-04-10 cs.DS math.OC
Combinatorial Optimization Augmented Machine Learning
School of Management, Technical University of Munich, Germany(慕尼黑技术大学管理学院);Munich Data Science Institute, Technical University of Munich, Germany(慕尼黑数据科学研究所);Inria, Université de Lille, France(法国里尔大学Inria);CERMICS, Ecole Nationale des Ponts et Chaussées, Institut Polytechnique Paris, France(巴黎高等理工学院CERMICS)
本文介绍了组合优化增强的机器学习,探讨了其方法论框架、应用领域及未来研究方向。
2026-01-15 cs.LG math.OC
On combinatorial optimization for dominating sets (literature survey, new models)
本文主要讨论连通支配集问题的几种形式:基本问题和多准则问题。一个文献调查的基本问题配方和解决方法。用简化的数值例子说明了基本的连通支配集问题。提出了一种新的支配集问题的整数规划公式(具有多集估计)。
2020-09-19 cs.AI cs.DS math.OC
DIMES: A Differentiable Meta Solver for Combinatorial Optimization Problems
University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University(卡内基梅隆大学)
最近,深度强化学习(DRL)模型在解决NP难组合优化(CO)问题方面表现出了很好的效果。然而,对于图上的组合优化问题,例如旅行商问题(TSP),大多数DRL求解器只能扩展到几百个节点。针对大规模组合优化中的可扩展性问题,提出了一种新的求解方法DIMES。与以前的DRL方法,遭受昂贵的自回归解码或迭代细化的离散解决方案,DIMES引入了一个紧凑的连续空间参数化的潜在分布的候选解决方案。这样一个连续的空间允许通过大规模并行采样进行稳定的基于REINFORCE的训练和微调。我们进一步提出了一个元学习框架,使有效的初始化模型参数的微调阶段。大量的实验表明,DIMES优于最近的DRL为基础的方法在大型基准数据集的旅行商问题和最大独立集问题。
2022-10-25 cs.AI cs.LG math.OC
On the Emerging Potential of Quantum Annealing Hardware for Combinatorial Optimization
在过去的十年中,量子退火硬件在组合优化中的有用性一直是许多争论的主题。到目前为止,实验基准研究表明,量子退火硬件并没有提供比最先进的最优化方法无可辩驳的性能增益。然而,随着硬件的不断发展,每次新的迭代都会带来更好的性能,并保证进一步的基准测试。为此,本研究对D-Wave Systems最新的Advantage Performance Update计算机进行了优化性能评估,该计算机可以原生地解决具有超过5,000个二进制决策变量和40,000个二次项的稀疏无约束二次最优化问题。我们证明,类人为的问题存在,这个量子退火机可以提供运行时的好处超过一个集合的建立经典解的方法,代表了目前最先进的基准量子退火硬件。虽然这项工作并没有提出强有力的证据证明这种新兴的优化技术具有无可辩驳的性能优势,但它确实表现出令人鼓舞的进展,表明了对未来实际优化任务的潜在影响。
2022-10-09 math.OC quant-ph
Differentiable Extensions with Rounding Guarantees for Combinatorial Optimization over Permutations
UCSD(加州大学圣地亚哥分校);NYU(纽约大学)
针对排列上组合优化目标缺乏有效连续扩展方法的问题,提出Birkhoff扩展(BE),可将排列上实值函数扩展到双随机矩阵,提供舍入保证且几乎处处可微,适用于梯度优化及树结构问题。
2025-11-12 cs.DS math.OC
Expected Maximin Fairness in Max-Cut and other Combinatorial Optimization Problems
本文研究组合优化中最大化最小公平性的理论挑战,证明最优公平解受非公平最优解约束且随机公平解在期望上优于确定性解,并以最大割为例展示定义与实现困难。
2024-10-03 cs.CY cs.DS math.OC
Parameterized Shifted Combinatorial Optimization
移位组合优化是一种新的非线性优化框架,它是标准组合优化的广泛扩展,涉及一次选择多个可行解。这个框架捕获了从所谓的脆弱性问题到共享和分区问题的各种各样的问题。特别地,每个标准的组合优化问题都有其移位的对应问题,这通常要困难得多。已经显式给定输入集的转移问题可能是NP难的。在这篇文章中,我们开始研究这个框架的参数化的复杂性。首先,我们表明,在一个明确给定的集与其基数作为参数可能是XP,FPT或P,这取决于目标函数的移动。其次,我们研究了MSO逻辑中可定义集合上的移位问题(包括,例如,众所周知的MSO分割问题)。我们的主要结果是:MSO可定义集上的移位组合优化在XP中关于MSO公式和输入图的树宽(或更一般的树宽),并且即使在更严格的限制下也是W[1]-困难的.
2017-02-22 cs.CC cs.DM cs.DS
Learning structured approximations of combinatorial optimization problems
CERMICS(CERMICS(巴黎路桥学院数学与科学计算中心));Ecole des Ponts(巴黎路桥学院)
包括组合优化层的机器学习流水线可以为困难的组合优化问题提供令人惊讶的高效算法。三个问题仍然悬而未决:应该使用哪种体系结构,应该如何学习机器学习模型的参数,以及我们可以从最终算法中获得哪些性能保证?遵循几何深度学习的直觉,我们解释了为什么在设计此类管道时应该使用等变层,并说明了如何在路由,调度和网络设计应用程序上构建此类层。我们介绍了一种学习方法,使学习这样的管道时,训练集只包含困难的优化问题的实例,而不是他们的最佳解决方案,并显示其数值性能在我们的三个应用程序。最后,使用统计学习理论的工具,我们证明了一个定理,显示估计的收敛速度。作为推论,我们得到,如果一个近似算法可以由管道编码的一些参数化,那么学习的管道将保留近似比保证。在我们的网络设计问题上,我们的机器学习管道具有已知最佳近似算法的近似比保证和最佳启发式的数值效率。
2023-02-06 cs.RO math.OC
Deep Reinforcement Learning for Exact Combinatorial Optimization: Learning to Branch
University of Alberta(阿尔伯塔大学);Huawei Technologies Canada Co., Ltd.(华为技术加拿大有限公司)
分支定界法是求解组合优化的一种系统枚举方法,其性能高度依赖于变量选择策略。最先进的手工制作的启发式策略遭受每个选择的相对较慢的推理时间,而当前的机器学习方法需要大量的标记数据。提出了一种基于强化学习(RL)范式的组合优化中数据标记和推理延迟问题的解决方法。我们使用模仿学习来引导RL代理,然后使用近端策略优化(PPO)来进一步探索全局最优动作。然后,使用价值网络运行蒙特卡罗树搜索(MCTS)来增强策略网络。我们评估了我们的方法在四个不同类别的组合优化问题的性能,并表明我们的方法相比,最先进的机器学习和基于数学的方法表现强劲。
2022-06-14 cs.AI cs.LG cs.RO
Exploring search space trees using an adapted version of Monte Carlo tree search for combinatorial optimization problems
KU Leuven(鲁汶大学);Ghent University(根特大学);Flanders Make(法兰德斯制造研究院)
在这篇文章中,我们提出了一个启发式算法,探索搜索空间树与组合优化问题的情况。该算法是基于蒙特卡罗树搜索,一个流行的算法,在玩游戏,是用来探索游戏树,并代表了国家的最先进的算法,为一些游戏。提出了几种改进的蒙特卡罗树搜索算法,使算法更适合于组合优化的上下文中。这些增强利用组合结构的问题,并旨在有效地探索搜索空间树修剪子树,使用启发式模拟策略,减少域的变量,通过消除占主导地位的值分配和使用波束宽度。该算法的实现与其组件专门定制两个组合优化问题:码头起重机调度问题与非交叉约束和0-1背包问题。对于第一个问题,我们的算法超越了国家的最先进的结果,并找到了几个新的最佳解决方案的基准集的实例。对于第二个问题,我们的算法通常会产生接近最优的解决方案,比最先进的结果略差,但它只需要一小部分的时间来做到这一点。这些结果表明,该算法是具有竞争力的国家的最先进的两个完全不同的组合优化问题。
2022-11-16 cs.AI cs.DM math.OC
Estimation of the yield curve for Costa Rica using combinatorial optimization metaheuristics applied to nonlinear regression
University of Costa Rica(哥斯达黎加大学)
利率期限结构或称收益率曲线是利率与其期限之间的函数关系。采用Nelson-Siegel和Svensson的非线性回归模型,利用哥斯达黎加国家证券交易所提供的历史数据样本估算收益率曲线。在模型参数估计过程中涉及的优化问题,解决了使用四个著名的组合优化元算法:蚁群优化,遗传算法,粒子群优化和模拟退火。该研究的目的是改善局部极小值的经典拟牛顿优化方法使用下降方向。至少有两个元算法,粒子群优化和模拟退火取得了良好的效果。关键词:收益率曲线,非线性回归,Nelson-
2019-11-20 cs.LG math.OC q-fin.GN
On "Exponential Lower Bounds for Polytopes in Combinatorial Optimization" by Fiorini et al. (2015): A Refutation For Models With Disjoint Sets of Descriptive Variables
我们对Fiorini et al.(2015)* 关于描述变量不相交的模型的发展进行了数值反驳。我们还提供了一个深入了解这种模型的解决方案之间的一对一的线性映射的存在的意义。* :Fiorini,S.,S. Massar,S. H.R.波库塔蒂瓦里和R. de Wolf(2015).组合优化中多胞形的指数下界。ACM杂志62:2,第17条。
2016-06-21 cs.CC cs.DM cs.DS
Generating Hard Instances for Robust Combinatorial Optimization
在过去的几十年里,鲁棒优化的研究引起了人们极大的兴趣,但其算法的发展受到了一些因素的阻碍。其中之一是缺少一组基准实例,使算法性能更好地可比,并使复制实例不必要。这样的基准集应该特别包含硬实例,但到目前为止,生成实例的标准方法是从均匀分布中随机抽样值。在本文中,我们介绍了一种新的方法来产生困难的最小-最大组合优化问题,这是基于一个优化模型本身。我们的方法不做任何假设的问题结构,因此可以应用于任何组合问题。使用的选择和旅行商的问题为例,我们表明,它是可能的产生的实例,这是高达500倍的混合整数规划求解器比当前国家的最先进的实例更难解决。
2019-02-08 cs.CC cs.DM cs.PF
Smart Predict-and-Optimize for Hard Combinatorial Optimization Problems
Vrije Universiteit Brussel(布鲁塞尔自由大学);University of Melbourne(墨尔本大学)
组合优化假设优化问题的所有参数,例如目标函数中的权重是固定的。通常,这些权重仅仅是估计值,并且越来越多地使用机器学习技术来进行估计。最近,智能预测和优化(SPO)已经提出了一个线性目标函数的预测问题,更具体地说,线性规划问题。它考虑了线性问题的预测的遗憾,通过在学习过程中反复解决它。我们研究使用SPO来解决更现实的离散优化问题。主要的挑战是重复求解优化问题。为此,我们研究了放松问题的方法,以及开始学习和解决问题的方法。我们的研究结果表明,即使是离散的问题,它往往足以训练通过解决松弛的SPO损失。此外,在大多数情况下,这种方法优于Wilder,Dilkina和Tambe的最先进方法。我们的实验加权背包问题以及复杂的调度问题,并首次表明,预测和优化方法可以成功地用于大规模的组合优化问题。
2019-11-22 cs.AI cs.LG math.OC
Reinforcement Learning for Combinatorial Optimization: A Survey
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Zyfra(兹夫特拉);Criteo AI Lab(Criteo人工智能实验室)
解决组合优化问题的许多传统算法涉及使用顺序构造解决方案的手工构造算法。这样的算法是由领域专家设计的,并且由于问题的困难性质,通常可能是次优的。强化学习(RL)通过以监督或自我监督的方式训练代理,提出了一种很好的替代方案来自动搜索这些算法。在本调查中,我们探讨了将RL框架应用于硬组合问题的最新进展。我们的调查为运筹学和机器学习社区提供了必要的背景,并展示了推动该领域向前发展的工作。我们并列最近提出的RL方法,布局的时间轴的改进,为每个问题,以及我们与传统的算法进行比较,表明RL模型可以成为一个有前途的方向解决组合问题。
2020-12-24 cs.LG math.CO math.OC
Modelling the Biomacromolecular Structure with Selected Combinatorial Optimization Techniques
寻找生物大分子结构势能函数的相对和全局最小值的现代方法包括组合优化技术,如Steiner点和Steiner树的研究。这些方法已成功地应用于模拟平均原子位置的配置时,他们被安排在通常的序列均匀间隔的点沿右圆螺旋线的问题。在目前的贡献,我们打算展示如何这些方法可以适用于解释的优势,引入一个施泰纳比函数(SRF)的概念。我们还展示了这个新的概念是如何足够的拟合计算实验所获得的结果,并为这些结果提供了改进,如果我们使用的限制与全斯坦纳树。
2005-03-01 math-ph math.MP math.OC
A random-key GRASP for combinatorial optimization
Universidade Federal de São Paulo(圣保罗联邦大学);University of Washington(华盛顿大学);Universidade Federal de Pernambuco(伯南布哥联邦大学)
本文提出一种基于随机键优化器范式的与问题无关的GRASP元启发式算法,通过解码器评估单位超立方体中的点,并在五个NP难组合优化问题上验证其有效性。
2024-05-30 cs.AI cs.NE math.OC
On the Computational Complexity of Multi-Objective Ordinal Unconstrained Combinatorial Optimization
针对多目标无约束组合优化问题(MUCO)通常难求解的问题,本文探索其易解特殊情况,证明至多两序数加一实值目标的MUCO问题可多项式时间求解并计算完整非支配集,还为单序数加另一序数/实值目标的情况提出更高效的多贪心策略算法。
2024-12-02 cs.CC cs.DM math.OC
Combinatorial optimization and reasoning with graph neural networks
Polytechnique Montréal(蒙特利尔综合理工学院);University of Toronto(多伦多大学);Jacobs Technion-Cornell Institute(雅各布斯特克尼恩-康奈尔研究所);Cornell Tech(康奈尔科技校区);Technion - IIT(以色列理工学院);RWTH Aachen University(亚琛工业大学);DeepMind(深度思维)
本文综述了利用图神经网络(GNNs)作为求解器或增强精确求解器来处理组合优化问题的新兴方法,强调了GNNs的归纳偏置优势,并面向优化与机器学习研究者总结关键进展。
2022-09-23 cs.DS cs.LG cs.NE