Learning Primal Heuristics for Mixed Integer Programs
RMIT University(皇家墨尔本理工大学);Monash University(莫纳什大学)
提出了一种基于机器学习技术的混合规划原始启发式算法。混合规划是求解组合优化问题的一种通用方法。在求解器内部,原始算法在寻找良好的可行解方面发挥着至关重要的作用,使人们能够从分支定界算法(B&B)的一开始就缩小二元差距,通过积极修剪B&B树来大大提高其性能。在本文中,我们调查是否有效的原始算法可以通过机器学习自动学习。我们提出了一种新的方法来表示的优化问题作为一个图形,并训练一个图卷积网络解决问题的实例与已知的最佳解决方案。这反过来又可以预测类似类型的未知问题实例的最佳解决方案中决策变量的值。然后,利用一种新的配置的B&B方法,概率分支与引导深度优先搜索(PB-DFS)的方法,旨在快速找到(近)最优的解决方案的预测变量的解决方案。实验结果表明,这种新的启发式可以找到更好的原始解决方案在更早的阶段的求解过程中,相比其他国家的最先进的原始启发式。
2021-07-02 cs.AI cs.LG math.OC
GPU-Accelerated Primal Heuristics for Mixed Integer Programming
Nvidia(英伟达)
本研究提出融合GPU加速的混合整数规划原始启发式算法,通过GPU加速PDLP求解器、新增探测缓存并优化多种前沿启发式算法,在MIPLIB2017基准上显著提升了可行解数量与目标质量。
2025-10-30 cs.DC math.OC
A General Mixed-Order Primal-Dual Dynamical System with Tikhonov Regularization
针对带线性等式约束的凸优化问题,提出带Tikhonov正则化的通用混合阶原始-对偶动力系统,分析其收敛性质与速率,证明轨迹强收敛性并通过数值实验验证理论结果。
2025-07-30 math.OC
PUSH: a primal heuristic based on Feasibility PUmp and SHifting
Sapienza University of Rome(罗马大学)
这项工作介绍了推,一个原始的启发式结合可行性泵和移位。主要思想是用适当的移位和其他舍入算法来取代可行性泵的舍入阶段。该算法提出了不同的策略,这取决于所获得的部分舍入的性质。特别是,我们区分部分解决方案是可行的,不可行的潜在的候选人,不可行的没有候选人。我们使用一个阈值来表示要用我们的算法舍入的变量的百分比,以及要舍入到最接近的整数的变量的百分比。最重要的是,我们的算法直接处理等式约束,而不重复行。我们在为Mip Competition 2022提供的19个实例上选择算法的参数。最后,我们在按非零数量排序的前800个MIPLIB 2017实例上将我们的方法与其他启动启发式方法(例如简单舍入、舍入、移位和可行性泵)进行了比较。
2022-07-30 cs.AI math.OC
Cuts, Primal Heuristics, and Learning to Branch for the Time-Dependent Traveling Salesman Problem
我们考虑不定流动推销员问题(TDTSP),一个推广的非对称流动推销员问题(ATSP),将不定常费用函数。在我们的模型中,弧的成本可以随时间任意变化(并且不仅取决于巡回赛中的位置)。TDTSP在结构上比TSP更困难。证明了即使满足广义的三角不等式,它也是NP-难的和APX-难的。特别是,我们表明,即使是一棵树的计算成为棘手的情况下,不定常成本。我们推导了两个基于时间扩展的TDTSP的IP公式,并提出了不同的定价算法来处理显着增加的问题规模。我们介绍了多个家庭的切割平面的TDTSP以及不同的LP为基础的原始算法,传播方法和分支规则。我们进行计算实验,以评估我们的方法对随机产生的情况下的有效性。我们能够将一小时计算后剩余的最优性差距减少到约6%,而现成的IP求解器获得的差距超过40%。最后,我们进行了第一次尝试,学习强分支决策的TDTSP。在当前状态下,该方法不会改善运行时间。
2018-05-03 math.OC
A Unified Early Termination Technique for Primal-dual Algorithms in Mixed Integer Conic Programming
我们提出了一个早期终止技术的混合整数圆锥规划中使用的分支和边界为基础的求解器。我们的方法概括了以前的提前终止结果ADMM为基础的求解器更广泛的一类原始对偶法,包括运营商分裂方法和内点方法。假设问题域有界,则检查提前终止的复杂度为每次终止检查的$O(n)$。我们表明,这个域的限制可以放松的问题,其数据满足一个简单的秩条件,在这种情况下,每个检查需要一个$O(n^2)$解决使用一个线性系,必须分解只有一次在根节点。我们进一步展示了这种方法可以用于混合模型预测控制,只要系统输入有界。数值结果表明,我们的方法可以适度减少带有基于内点的子解算器的分支定界二次曲线解算器所需的总迭代次数。
2023-03-16 math.OC
ML-Guided Primal Heuristics for Mixed Binary Quadratic Programs
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基于机器学习的混合二元二次规划求解启发式方法,通过改进神经网络架构和损失函数,提升求解效率和泛化能力。
2026-07-07 cs.LG math.OC
An SDP dual relaxation for the Robust Shortest Path Problem with ellipsoidal uncertainty: Pierra's decomposition method and a new primal Frank-Wolfe-type heuristics for duality gap evaluation
这项工作解决了鲁棒对应的最短路问题(RSPP)与相关的不确定性集。由于这个问题是困难的,启发式方法,基于Frank-Wolfe的算法命名为离散Frank-Wolf(DFW),最近被提出。本文的目的是提出一个半定规划松弛的RSPP,提供了一个下界,以验证方法,如DFW算法。放松的问题的结果,从一个二元化,这是{通过}一个重新制定的RSPP到一个二次问题。然后松弛的问题是解决使用稀疏版本的Pierra的分解在积空间的方法。这种验证方法适用于大规模的问题。数值实验表明,放松和启发式方法得到的解决方案之间的差距是相对较小的。
2021-10-29 math.OC stat.AP
A Pricing-for-Integrality Primal Heuristic for Branch-and-Price: An Application to the Electric Vehicle Routing Problem with Time Windows and Charging Time Slots
Linköping University(林雪平大学)
本文提出一种基于积分定价的启发式方法,用于解决具有时间窗和充电时间槽的电动车路径规划问题,有效缩小根节点间隙。
2026-10-30 math.OC
An (MI)LP-based Primal Heuristic for 3-Architecture Connected Facility Location in Urban Access Network Design
National Research Council of Italy(意大利国家研究委员会);Zuse Institute Berlin(柏林楚泽研究所)
研究了城市电信接入网设计中的三层结构互联设施定位问题。我们提出了一个原始的最优化模型的问题,包括额外的变量和约束,考虑到无线信号覆盖。由于这个问题可以证明具有挑战性,即使是现代国家的最先进的优化求解器,我们建议解决它的原始启发式结合了概率固定程序,引导特有的线性规划松弛,一个确切的MIP启发式,基于一个非常大的邻域搜索。一组现实的实例上的计算实验表明,我们的启发式可以找到解决方案与低得多的最优性差距比一个国家的最先进的求解器。
2017-04-27 cs.AI cs.NI math.OC
Conflict-Driven Heuristics for Mixed Integer Programming
现代混合整数规划(MIP)求解器的两个基本成分是模拟分支定界搜索树中的部分深度优先搜索的潜水算法和学习有效约束的不可行子问题的冲突分析。到目前为止,这些技术大多是独立研究的:在求解过程中早期发现高质量可行解方面的原始算法和用于探测搜索树节点和改进对偶边界的冲突分析。在这里,我们以两种不同的方式结合这两个概念。首先,我们开发了一个潜水启发式,目标是从法卡斯对偶生成有效的冲突约束。我们表明,在原始这是相当于潜水的最佳界相对于目标函数的乐观策略。其次,我们使用来自冲突分析的信息,以提高搜索的潜水启发式类似于经典的系数潜水。这两种方法的计算性能进行评估使用的源开放MIP求解器SCIP中的实现。实验在公开可用的测试集上进行,包括Miplib 2010和Cor@l。
2019-02-07 math.OC
Another pedagogy for mixed-integer Gomory
我们提出了一个版本的GMI(Gomory混合整数)削减的方式,使他们得出相对于一个“对偶形式”的混合整数最优化问题和应用在标准形式的原始侧列,使用原始单纯形算法。这遵循He和Lee的一般方案,他们做了Gomory纯整数割的情况。我们的输入混合整数问题不是标准式的,因此我们的削减的推导方式与通常的推导方式相当不同。一个方便的方法来开发GMI割是从MIR(混合整数舍入)割,这是从二维BMI(基本混合整数)割,其中涉及一个非负连续变量和一个整数变量。连续变量的非负性对我们来说不是正确的工具,因为我们的起点(“对偶形式”混合整数最优化问题)没有非负性。所以我们得出了一个不同的二维起点,一个连续变量和一个整数变量的一对有点随意的不等式。最后,我们遵循He和Lee的方法,得到了求解混合整数最优化问题的一个收敛性良好的原始单纯形列生成算法。
2015-10-22 math.OC
Improving Primal Heuristics for Mixed Integer Programming Problems based on Problem Reduction: A Learning-based Approach
本文提出了一种基于双层预测的约简分支(BP-RB)框架来加速求解混合整数规划(MIP)问题的高质量可行解的过程。图卷积网络(GCN)被用来预测二进制变量的值。之后,通过以预测概率为条件的贪婪方法将二进制变量的子集固定到预测值。通过探索逻辑结果,提出了一种基于学习的问题约简方法,大大减少了变量和约束的大小。对于约简子MIP问题,第二层GCN框架被用来更新对剩余二进制变量值的预测,并确定用于分支以生成分支定界(B&B)树的变量的选择。数值算例表明,我们的BP-RB框架加快了原始启发式,并找到高质量的可行解。
2022-09-27 cs.SY eess.SY math.OC
A hybrid primal heuristic for Robust Multiperiod Network Design
我们研究了鲁棒多周期网络设计问题,这是经典的容量限制网络设计问题的推广,它还考虑了多个设计周期,并提供了针对流量不确定性的解决方案。鉴于固有的困难的问题,这证明具有挑战性,即使是最先进的商业求解器,我们提出了一个混合原始启发式的基础上结合蚁群优化和一个确切的大邻域搜索。一组现实的SNDlib实例的计算实验表明,我们的启发式可以找到非常好的质量与低最优差距的解决方案。
2017-04-22 cs.DS cs.NE cs.NI
Scylla: a matrix-free fix-propagate-and-project heuristic for mixed-integer optimization
本文提出Scylla,一种利用无矩阵原始-对偶混合梯度近似求解线性松弛,并通过固定-传播和可行性泵更新生成整数可行解的原始启发式算法,适用于困难线性松弛的混合整数优化问题。
2023-07-26 cs.MS math.OC
Fast Rates and Strong Convergence of Tikhonov-Regularized Mixed-Order Primal-Dual Dynamics for Linearly Constrained Optimization Without Eventual Ball Conditions
School of Mathematical Sciences, University of Electronic Science and Technology of China(电子科技大学数学科学学院)
本文提出带隐式Hessian阻尼的Tikhonov正则化混合阶原始-对偶动力学,在无最终球条件下证明强收敛并给出快速速率,改进临界情形的衰减估计并解答开放问题。
2026-09-09 math.OC
A Fast Hybrid Primal Heuristic for Multiband Robust Capacitated Network Design with Multiple Time Periods
我们研究了鲁棒多周期网络设计问题,概括的容量限制网络设计问题(CNDP),除了建立流路由和网络容量安装在一个典型的CNDP,还考虑了规划的时间范围组成的多个时间段和保护对流量的波动。作为对交通量不确定性的补救措施,我们提出了一个基于多波段鲁棒性的鲁棒最优化模型(Büsing和D'Andreagiovanni,2012),这是Bertsimas和Sim对经典伽马鲁棒性的改进,使用了多个偏差波段的系统。由于由此产生的最优化问题可能证明非常具有挑战性,即使是中等大小的情况下解决了一个国家的最先进的优化求解器,我们提出了一个混合原始启发式算法,结合随机固定策略的启发蚁群优化,利用信息来自线性松弛的问题,和一个确切的大邻域搜索。一组现实的SNDlib实例上的计算实验表明,我们原来的启发式可以运行速度快,并产生极高质量的解决方案与低最优差距。
2017-04-27 cs.DS cs.NE math.OC
A diving heuristic for mixed-integer problems with unbounded semi-continuous variables
针对具有无界半连续变量的混合整数问题,提出一种不依赖变量上界的潜水启发式方法,集成至开源MIP求解器后,能在极短时间内找到高质量解,显著降低原始间隙与原始积分。
2024-10-16 math.OC
A universal accelerated primal-dual method for convex optimization problems
提出了一种求解仿射约束凸优化问题的加速一阶原-对偶方法。它可以处理Lipschitz和Hölder梯度,但不需要知道目标函数的平滑度。在线搜索部分,它使用动态递减的参数,并产生近似的Lipschitz常数与适度的大小。此外,基于适当的离散李雅普诺夫函数和一些微分/差分不等式的紧衰减估计,建立了一个通用的最优混合型收敛速度.一些数值试验证实了所提出的方法的有效性。
2022-11-08 math.OC
Interior point methods in optimal control problems of affine systems: Convergence results and solving algorithms
本文针对控制仿射的最优控制问题提出内点方法,通过求解微分代数方程边值问题实现收敛,并给出原始及原始-对偶算法及数值验证。
2023-08-31 math.OC
Fix-and-Propagate Heuristics Using Low-Precision First-Order LP Solutions for Large-Scale Mixed-Integer Linear Optimization
本文提出利用低精度一阶LP解的Fix-and-Propagate启发法,有效解决大规模混合整数线性优化问题,实现高精度解在短时间内生成。
2026-03-04 math.OC
Learning to Schedule Heuristics in Branch-and-Bound
Zuse Institute Berlin(柏林祖斯研究所);University of Toronto(多伦多大学);HTW Berlin(柏林应用科学大学);Polytechnique Montréal(蒙特利尔理工学院);TU Berlin(柏林工业大学)
原始算法在混合规划的精确求解中起着至关重要的作用。虽然求解器保证在足够的时间内找到最佳解决方案,但实际应用通常需要在搜索早期找到好的解决方案,以实现快速决策。虽然MIP的研究主要集中在设计有效的算法,但如何在求解器中管理多个MIP算法的问题并没有得到同等的关注。一般来说,求解器遵循从广泛的实例集的经验测试中得出的硬编码规则。由于逻辑分析的性能依赖于实例,因此对特定问题使用这些通用规则可能不会产生最佳性能。在这项工作中,我们提出了第一个数据驱动的框架,在一个精确的MIP求解器调度调度算法。通过学习数据描述的性能的原始算法,我们得到了一个问题的具体时间表的算法,共同找到许多解决方案,以最小的成本。我们提供了一个正式的问题描述,并提出了一个有效的算法计算这样的时间表。与最先进的学术MIP求解器的默认设置相比,我们能够在一类具有挑战性的实例上将平均原始积分减少高达49%。
2021-03-18 cs.DM cs.LG math.OC
Primal-Dual Entropy Based Interior-Point Algorithms for Linear Optimization
在求解线性最优化的内点方法中,我们提出了一类基于原始对偶熵的搜索方向。我们表明,通过使用熵为基础的搜索方向的预测步骤的预测-校正算法与齐次自对偶嵌入,我们可以实现当前最佳的迭代复杂度界的线性最优化。然后,我们专注于一些宽邻域算法,并表明,在我们的家庭的熵为基础的搜索方向,我们可以找到最佳的搜索方向和步长的组合,通过执行一个平面搜索在每次迭代。为此,我们提出了一个启发式的平面搜索算法,以及一个确切的。最后,我们进行计算实验,研究基于熵的搜索方向的性能在广泛的邻域的中心路径,利用和不利用平面搜索算法。
2014-10-30 math.OC
Solving influence diagrams via efficient mixed-integer programming formulations and heuristics
Aalto University(阿尔托大学)
本文提出了一种新的混合整数规划方法和启发式算法,用于高效求解影响图中的决策问题,并展示了其在多阶段随机动态规划中的应用。
2024-08-29 math.OC
Learning To Dive In Branch And Bound
ETH Zurich(苏黎世联邦理工学院)
原始算法对于求解混合整数线性规划很重要,因为它们可以找到可行的解,便于分支定界搜索。一个重要的原始考古学群是潜水考古学。他们迭代地修改和解决线性规划,从搜索树中的任何节点进行深度优先搜索。现有的潜水员依赖于通用的决策规则,无法利用在实践中经常出现的类似问题实例之间的结构共性。因此,我们提出了L2 Dive来学习特定的潜水算法:我们训练生成模型来预测变量分配,并利用线性规划的对偶性来根据模型的预测做出潜水决策。L2 Dive完全集成到开源求解器SCIP中。我们发现,L2潜水优于标准潜水员找到更好的可行的解决方案,在一系列的组合优化问题。对于服务器负载均衡和神经网络验证等实际应用,L2 Dive在优化(默认)求解器基线上平均将原始-对偶积分提高了7%(35%),并将平均求解时间缩短了20%(29%)。
2023-01-24 cs.LG math.OC
Primal-dual programs for the constrained optimal impulse control: discounted model
本文针对确定性系统的约束最优脉冲控制问题,提出测度中的原始-对偶凸规划并建立对偶结果,进而给出求解最优$(J+1)$-混合策略的一般程序,并用实例验证。
2025-04-25 math.OC
PaNGEA: Parallel Node Generation and Exploration Algorithm on GPU
London Business School(伦敦商学院)
本文提出PaNGEA,一种GPU友好的混合整数优化原始启发式算法,通过结合线性松弛与局部搜索并利用GPU批处理并行探索多个子问题,在283个实例上相比CPU减少8-18%间隙积分,多节点并行再减少12-19%。
2026-10-05 cs.DC math.OC
New symmetries in mixed-integer linear optimization: Symmetry heuristics and complement-based symmetries
我们提出了混合整数线性规划的对称性的两个新的应用。首先,我们提出了一个新的启发式的两个变种,以提高使用对称性的可行解的目标值。这些算法可以使用实际的排列或变量的轨道来找到更好的可行解。然后,我们介绍了一类新的对称性二元MILP问题。除了通常的变量置换外,这些对称性还可以取二元变量的补。这在两个相反的决策实际上彼此对称的情况下很有用。我们讨论了这些对称性的理论,并提出了一种计算方法来计算它们。实例来说明这些技术的实用性。
2014-08-18 math.OC
Technical Report: Distributed Asynchronous Large-Scale Mixed-Integer Linear Programming via Saddle Point Computation
我们通过分布式异步鞍点计算求解大规模混合整数线性规划。这是由于MILP能够在多代理自治中建模问题,例如,多机器人系统中具有避碰约束的任务分配和轨迹规划问题。为了解决MILP,我们放松它与非线性程序近似,其精度收紧代理的数量增加相对于耦合约束的数量。接下来,我们形成一个等价的拉格朗日鞍点问题,然后在原始空间和对偶空间中正则化拉格朗日,以创建一个正则化的拉格朗日是强凸-强凹的。然后,我们开发了一个并行算法来计算正则化拉格朗日的鞍点。该算法将问题划分为原始或对偶决策变量的标量或子向量块,并且在原始和对偶变量的计算和通信中显示出容忍冗余。给出了收敛到鞍点的次优界和收敛速度。次优性界包括(i)正则化拉格朗日量引起的正则化误差和(ii)原始MILP和其松弛形式的解之间的次优性间隙。仿真结果说明了这些理论在实践中的发展,并表明松弛和正则化一起得到的解决方案的质量只有轻微的影响。
2022-11-21 math.OC
Branch and Price for Railway Crew Scheduling: Benchmark Instances and Computational Study
Eindhoven University of Technology(埃因霍温理工大学)
提出一种先进的分支定价算法,并构建75个基准实例,通过计算实验表明原始启发式方法有效将最优性差距降至1%以下,而分支和降价固定贡献有限。
2026-10-30 math.OC
A Primal Decomposition Method with Suboptimality Bounds for Distributed Mixed-Integer Linear Programming
Università del Salento(萨伦托大学);University of Bologna(博洛尼亚大学)
本文提出了一种分布式混合整数线性规划方法,通过定制的分解方法处理具有耦合约束的分布式问题,并建立了次优界。
2018-11-08 cs.DC cs.MA cs.SY
A Simple Effective Heuristic for Embedded Mixed-Integer Quadratic Programming
在本文中,我们提出了一个快速优化算法,近似最小化凸二次函数的交叉仿射和可分离的约束(即,可能非凸实数集的笛卡儿积)。这类问题包含了混合整数二次规划等NP难问题。我们的启发式是基于一个变化的交替方向法的乘法器(ADMM),一个算法解决凸优化问题。我们讨论了有利的计算方面,我们的算法,这使得它能够快速运行,即使在非常温和的计算平台,如嵌入式处理器。我们给出了几个例子,其中近似解应该很快找到,如混合动力电动汽车传动系统的管理和开关模式电源转换器的控制。我们的数值实验表明,我们的方法是非常有效的,在寻找一个可行的点与小的目标值,事实上,我们发现,在许多情况下,它发现的整体解决方案。
2015-09-28 math.OC
PAPAL: A Provable PArticle-based Primal-Dual ALgorithm for Mixed Nash Equilibrium
Peking University(北京大学);Salesforce AI Research(Salesforce人工智能研究院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对两人零和连续博弈中非凸非凹目标函数难以求解纯纳什均衡的问题,提出粒子基原始-对偶算法PAPAL,通过粒子随机运动逼近混合纳什均衡,并首次给出可实现的非渐近收敛、运行时间与样本复杂度保证。
2024-11-19 cs.GT cs.LG math.OC
A Hybrid Relaxation-Heuristic Framework for Solving MIP with Binary Variables
New York University(纽约大学)
本文提出了一种混合松弛-启发式框架,用于求解含二元变量的MIQP问题,通过混合松弛和启发式优化提升求解效率。
2026-01-31 math.OC
An outer approximation algorithm for multi-objective mixed-integer linear and non-linear programming
本文给出了任意多目标混合整数线性规划问题的一次外逼近算法。该算法也适用于某些类别的非线性规划问题。它产生非支配的极值点以及这些点的凸包的小平面。该算法依赖于一个解决单目标加权和问题的预言机,我们证明了所需的预言机调用次数是多项式的非支配极值点的凸包的情况下,多目标混合整数规划(MOMILP)的方面。因此,对于加权和问题在多项式时间内可解的MOMILP问题,可以用递增多项式延迟来计算面。该算法从实用角度出发,从非支配极值点的有效下界集出发,通过迭代改进,可用于多目标分枝定界算法,即使在收敛前中断,也能在任何阶段提供有效的下界集。此外,预言机产生Pareto最优解,这使得算法在多目标分支定界环境中从原始侧也具有吸引力。最后,预言机也可以与原始问题的任何松弛调用,并且所获得的点和面仍然提供有效的下界集。一组基准实例从文献和新的非线性多目标实例的计算研究。
2022-05-02 math.OC
Low-Rank and Lifted Semidefinite Programming for Mixed-Integer Polynomial Power Grid Optimization
University of Vermont(佛蒙特大学)
本文提出将低秩半定规划与基于矩的松弛收紧相结合,用于求解交流最优输电切换问题,并通过原始-对偶目标一致性和原始可行性验证,获得全局最优解,可作为分支定界法的可扩展替代方案。
2026-10-01 cs.SY eess.SY math.OC
Tricks from the Trade for Large-Scale Markdown Pricing: Heuristic Cut Generation for Lagrangian Decomposition
本文针对在线时尚行业大规模降价定价中的混合整数优化问题,提出了拉格朗日分解框架下的原始启发式与割平面生成技术,在Zalando SE的实际应用中实现了近似最优解并显著提升了每周利润。
2025-02-04 math.OC
Exact and Heuristic Methods for $Γ$-Robust Min-Max Problems
Eindhoven University of Technology(埃因霍温理工大学)
本文研究带Γ-鲁棒不确定数据的混合整数线性极大极小问题,提出精确与启发式求解方法,经560个背包拦截问题实例测试,该启发式方法能缩小最优性间隙且性能优于基准方法。
2026-08-19 math.OC
Learning Symbolic Expressions: Mixed-Integer Formulations, Cuts, and Heuristics
Argonne National Laboratory(阿贡国家实验室);University of Minnesota Twin Cities(明尼苏达大学双城分校)
在本文中,我们考虑的问题,学习回归函数,而不假设其功能的形式。这个问题被称为符号回归。表达式树通常用于表示解函数,该解函数通过将运算符和操作数分配给节点来确定。符号回归问题可以被公式化为非凸混合整数非线性规划(MINLP),其中二进制变量用于分配运算符,并且非线性表达式用于通过非线性运算符(诸如平方、平方根和指数)来传播数据值。我们通过增加新的削减,提高了这个具有挑战性的MINLP的解决方案,扩展了这个配方。我们还提出了一个启发式,迭代地建立一个表达式树,通过解决限制MINLP。我们进行计算实验,并比较我们的方法与混合整数规划为基础的方法和神经网络为基础的方法从文献中。
2021-02-24 cs.LG math.OC
Affordable mixed-integer Lagrangian methods: optimality conditions and convergence analysis
University of the Bundeswehr Munich(慕尼黑联邦国防大学)
本文扩展了拉格朗日形式的必要最优性条件和序列最小化框架至混合整数非线性优化,无需凸性假设,提出了局部极小值和临界点的特征,并展示了如何开发具有收敛保证的经济序列最小化算法。
2026-04-09 math.OC
Combining Progressive Hedging with a Frank-Wolfe Method to Compute Lagrangian Dual Bounds in Stochastic Mixed-Integer Programming
提出了一种新的计算随机混合整数规划(SMIP)拉格朗日对偶值的原始对偶法,该规划是通过放松非预期性约束而形成的。这种对偶在SMIP的分解方法中被广泛使用。该算法依赖于众所周知的渐进式对冲方法,但与以往的渐进式对冲方法SMIP,我们的算法可以被证明是收敛到最佳拉格朗日对偶值。在新算法的关键改进是一个优化的线性化步骤,类似于在经典的Frank-Wolfe方法中所采取的内环。数值结果表明,我们的新算法的经验优于标准的实现渐进对冲获得SMIP的界限。
2017-02-03 math.OC
Robust Design of Multi-Energy Systems Accounting for Mixed-Integer Operational Problems
Institute of Climate and Energy Systems, Energy Systems Engineering (ICE-1), Forschungszentrum Jülich GmbH(于利希研究中心);RWTH Aachen University(亚琛工业大学);JARA-ENERGY(JARA-能源)
本文研究了多能源系统鲁棒设计中混合整数运算问题对鲁棒性的影响,提出了一种混合方法验证设计鲁棒性,结果表明启发式方法可能在非凸性存在时仍能识别鲁棒设计,但需结合严格方法确保鲁棒性。
2026-08-04 math.OC
LOTUS: A Warm-Start Framework for Powering Dual Decomposition in Large-Scale Two-Stage Stochastic Programs
CWI(荷兰数学与计算机科学研究中心);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
LOTUS通过子集启动框架提升双分解在大型两阶段随机规划中的效率,实现更快的原问题收敛和更优的解质量。
2026-03-02 math.OC
A GNN-Guided Predict-and-Search Framework for Mixed-Integer Linear Programming
混合整数线性规划(MILP)是求解组合最优化问题的一种有效方法。在实践中,仅具有系数变化的类似MILP实例被常规地解决,并且机器学习(ML)算法能够捕获这些MILP实例中的共同模式。在这项工作中,我们将ML与优化相结合,并提出了一种新的预测和搜索框架,用于有效地识别高质量的可行解。具体来说,我们首先利用图神经网络预测每个变量的边际概率,然后在预测解周围的适当定义的球内搜索最佳可行解。我们在公共数据集上进行了广泛的实验,计算结果表明,我们提出的框架实现了51.1%和9.9%的性能提高MILP求解器SCIP和Guesthouse的原始差距,分别。
2023-03-06 math.OC
Penalty Alternating Direction Methods for Mixed-Integer Optimization: A New View on Feasibility Pumps
可行性泵是混合整数线性和非线性最优化的高效原始算法。然而,尽管它们在实践中取得了成功,但考虑到它们的理论特性的作品很少。我们表明,可行性泵可以被看作是交替方向法适用于特殊的原始问题的重新制定,继承这些方法的收敛理论。此外,我们提出了一种新的惩罚框架,包括这种交替方向法,这使我们能够避免随机扰动,适用于标准版本的可行性泵的情况下失败。我们提出了一个收敛理论的新的惩罚为基础的交替方向法和比较新的变种的可行性泵与现有版本的混合整数线性和非线性问题的广泛的数值研究。
2017-07-31 math.OC
Distributed Asynchronous Mixed-Integer Linear Programming with Feasibility Guarantees
本文提出一种分布式异步鞍点计算方法求解混合整数线性规划,通过线性规划松弛、正则化Lagrangian及并行算法,保证解的可行性且对异步通信具有容忍度。
2024-09-27 math.OC
Multi-block ADMM Heuristics for Mixed-Binary Optimization on Classical and Quantum Computers
目前,通过量子启发式方法,在当前有噪声的量子设备上解决组合优化问题被提倡用于(并且限于)具有等式约束的二进制多项式优化。这是通过使用,例如,变分量子本征求解器(VQE)和量子近似优化算法(QAOA)。我们提出了一种基于分解的方法,以扩大目前的方法的适用性,“二次加凸”混合二元优化(MBO)问题,从而解决了广泛的现实世界的优化问题。在MBO框架中,我们证明了交替方向乘法(ADMM)可以将MBO分解为一个二元无约束问题(可以用量子算法解决)和连续约束凸子问题(可以用经典优化求解器廉价解决)。然后,通过在Qiskit(一个开源量子计算软件开发框架)中实现的量子线路上使用VQE和QAOA进行模拟,在几个优化问题上获得的数值结果显示了该方法的有效性。
2021-02-03 math.OC quant-ph
Presolve heuristics in HiGHS: implementation and computational study
在开源求解器HiGHS中实现四种混合整数规划原始启发式算法,评估显示原始积分提升23.7%,能更快找到优质解,部分启发式因无效被禁用,实现已开源。
2026-09-22 cs.MS math.OC
Sparsity-driven Aggregation of Mixed Integer Programs
本文将MIP切割平面的行聚合问题建模为 $\ell_0$-范数最小化,结合lasso与迭代重加权求解稀疏聚合,并在SCIP中实现,实验表明在困难实例上可减少运行时间和分支定界树规模。
2025-02-04 math.OC
Global Optimization of Mixed-Integer Bound-Constrained Quadratic Fractional Problems
Università di Parma(帕尔马大学);Sapienza Università di Roma(罗马第一大学);Università degli Studi di Padova(帕多瓦大学)
针对混合整数二次分式优化问题,提出基于Dinkelbach参数化重构的精确算法,结合分支定界和变量邻域搜索启发式,数值实验表明优于通用精确算法。
2026-10-06 math.OC
Ranking Constraint Relaxations for Mixed Integer Programs Using a Machine Learning Approach
如果没有诸如基于分解的技术之类的高级算法,求解大规模混合可编程问题(MIP)可能是困难的。即使分解技术可能是合适的,对于任何大的MIP仍然存在许多可能的分解,并且可能不明显哪一个将是最有效的。本文提出了一个全面的分析预测能力的机器学习排名(ML)功能预测质量的混合整数规划(MIP)分解通过约束松弛。在此分析中,探讨了实例相似性和ML预测质量的作用,以及ML排名函数对现有启发式函数的基准测试。对于这项分析,已经建立了一个新的数据集,其中包括从MIPLIB 2017库的24个实例中采样的超过40000个独特的分解。这些分解已经创建了一个贪婪的松弛算法,以及人口为基础的多目标算法,这已被证明是产生高质量的分解。在本文中,我们证明了ML排名函数在与现有的启发式排名函数进行基准测试时能够提供最先进的预测。此外,我们证明,通过只考虑与每个分解中的放松约束相关的一小部分特征,ML排名函数仍然能够与启发式技术竞争。这样的发现是有前途的未来的约束松弛方法,因为这些功能可以用来指导分解创建。最后,我们强调了ML排名函数在分解创建框架中的优势。
2022-07-01 math.OC
Mixed-Integer Programming Formulation of a Data-Driven Solver in Computational Elasticity
本文提出了一种混合整数二次规划制定现有的数据驱动的方法来计算弹性。该公式适用于标准混合整数规划求解器的应用,该求解器找到全局最优解。因此,所提出的方法得到的结果可以作为基准的情况下,任何其他算法。初步的数值实验进行比较质量的解决方案所提出的方法和启发式数据驱动的计算力学。
2018-10-10 math.OC
Distributed Primal Decomposition for Large-Scale MILPs
本文讨论了一种分布式混合线性规划(MILP)的建立,它出现在几种控制应用中。网络中的智能体的目标是最小化局部线性费用函数之和,该成本函数既受个体约束又受涉及所有决策变量的线性耦合约束。所考虑的设置的一个关键的、具有挑战性的特征是,决策变量的某些分量必须假定整数值。所处理的MILP是NP难的,非凸的和大规模的。此外,由于耦合约束,分布式框架中出现了一些额外的挑战,因此具有保证次优性边界的可行解是令人感兴趣的。我们提出了一个完全分布式算法的基础上的原始分解方法和适当收紧的耦合约束。该算法保证在有限时间内提供可行解。此外,渐近和有限时间次优界的计算解决方案。蒙特卡洛模拟突出了算法实现的极低的次优性界限。
2021-02-11 cs.SY eess.SY math.OC
Job Shop Scheduling with Integer Programming, Shifting Bottleneck, and Decision Diagrams: A Computational Study
本研究比较了作业车间调度中转移瓶颈启发式与决策图等策略,结合Balas局部细化、混合整数规划与约束规划方法,通过计算实验验证了各算法的性能。
2024-07-25 math.OC