An adjacency-based algorithm for computing all extreme-supported non-dominated points of a bi-objective combinatorial optimisation problem
RPTU University Kaiserslautern-Landau(凯泽斯劳滕-兰道理工大学)
本文提出了一种基于邻域的算法,用于计算双目标组合优化问题的所有极值支撑非支配点,并通过Matroid应用展示了其高效性与多项式时间复杂度。
2026-01-27 math.OC
Unsupervised Learning for Combinatorial Optimization with Principled Objective Relaxation
Purdue University(普渡大学);UCSB(加州大学圣巴巴拉分校);Georgia Tech.(佐治亚理工学院)
使用机器学习来解决组合优化(CO)问题是具有挑战性的,特别是当数据是未标记的。本文提出了一个CO问题的无监督学习框架。我们的框架遵循标准的松弛加舍入方法,并采用神经网络来参数化松弛的解决方案,以便简单的反向传播可以训练端到端的模型。我们的主要贡献是观察到,如果放松的目标满足条目明智的,低优化损失保证最终的积分解决方案的质量。这一观察结果显着拓宽了以前的框架启发鄂尔多斯的概率方法的适用性。特别是,这一观察可以指导目标模型的设计,在应用程序中的目标没有明确给出,而需要事先建模。我们评估我们的框架,通过解决一个合成图优化问题,和两个现实世界中的应用,包括电路设计和近似计算中的资源分配。我们的框架在很大程度上优于基于朴素放松、强化学习和Gumbel-softmax技巧的基线。
2022-10-22 cs.AR cs.LG 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
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
Newton-type algorithms for inverse optimization I: weighted bottleneck Hamming distance and $\ell_\infty$-norm objectives
在最小成本逆最优化问题中,我们给出了一个潜在的最优化问题的可行解以及一个线性费用函数,目标是通过一个小的偏差向量来修改成本,使得输入解变得最优。新的和原始的费用函数之间的差异可以用几种方式来测量。在本文中,我们集中在两个目标:加权瓶颈汉明距离和加权$\ell_\infty$ -范数。我们考虑一个一般模型,其中的偏差向量的坐标需要落在给定的下限和上界。对于加权瓶颈汉明距离目标,我们提出了一个简单的,纯粹的组合算法,确定一个最佳的偏差向量在强多项式时间。对于加权$\ell_\infty$ -范数目标,给出了最优解的极小-极大刻画,并给出了一个伪多项式算法,在单位权的情况下,求出了强多项式时间内运行的最优偏差向量.对于这两个目标,我们假设一个算法具有相同的时间复杂度,用于解决潜在的组合最优化问题是可用的。对于这两个目标,我们还展示了如何将结果扩展到具有多个费用函数的逆最优化问题。
2023-02-28 cs.DM math.OC
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
Combinatorial Algorithm for Tropical Linearly Factorized Programming
Kyoto Prefectural University(京都府立大学)
本文提出了一种基于下降法的算法,用于解决热带线性因子化编程问题,通过切图迭代更新结构,在伪多项式时间内找到局部最优解。
2026-01-31 cs.DM math.OC
A deterministic optimization algorithm for nonconvex and combinatorial bi-objective programming
University College London(伦敦大学学院);Imperial College London(帝国理工学院)
本文提出SDNBI算法,通过有效探索非凸Pareto前沿区域并早期识别无解区域,在计算成本和Pareto最优集质量上优于改进NBI和SD算法,适用于非凸和组合双目标优化问题。
2026-09-30 math.OC
Pareto Set Learning for Neural Multi-objective Combinatorial Optimization
City University of Hong Kong(香港城市大学)
多目标组合优化(MOCO)问题在实际应用中有着广泛的应用。然而,精确地解决这些问题将是非常具有挑战性的,特别是当它们是NP难的时候。在过去的几十年里,许多手工制作的探试法被提出来解决不同的MOCO问题。在这项工作中,我们推广了神经组合优化的思想,并开发了一种基于学习的方法来近似整个Pareto集为一个给定的MOCO问题,没有进一步的搜索过程。我们提出了一个单一的偏好条件模型,直接产生近似Pareto解决方案的任何权衡偏好,并设计了一个有效的多目标强化学习算法来训练这个模型。我们提出的方法可以被视为一个基于学习的扩展,广泛使用的基于分解的多目标进化算法(MOEA/D)。它使用一个单一的模型来适应所有可能的偏好,而其他方法使用有限数量的解决方案来近似帕累托集。实验结果表明,我们提出的方法显着优于其他一些方法的多目标旅行商问题,多目标车辆路径问题,多目标背包问题的解决方案的质量,速度和模型效率。
2022-05-09 cs.LG cs.NE math.OC
Iterative Belief Propagation for Sparse Combinatorial Optimization
针对稀疏组合优化问题,提出一种迭代置信传播算法,它类似模拟退火从目标函数玻尔兹曼分布采样,还借助置信传播改善收敛性,可用于求解该类优化问题。
2024-10-31 math.OC
Tackling Prevalent Conditions in Unsupervised Combinatorial Optimization: Cardinality, Minimum, Covering, and More
KAIST(韩国科学技术院);AI4CO Open-Source Community(AI4CO开源社区);POSTECH(浦项科技大学)
针对无监督组合优化中普遍存在的条件(如基数、最小值、覆盖等),提出具体目标与理论依据,推导非平凡的目标函数和去随机化方法,并在合成及真实图上验证了优化质量与速度的优越性。
2024-05-24 cs.LG math.OC
A Pareto-metaheuristic for a bi-objective winner determination problem in a combinatorial reverse auction
University of Bremen(不来梅大学)
运输合同组合采购拍卖的双目标中标者确定问题(2 WDP-SC)的特征在于一个捆绑投标集合B,其中B中的每个捆绑投标b由投标承运人c_b、投标价格p_b和运输合同集合tau_b组成,所述运输合同集合tau_b是投标运输合同集合T的子集。此外,给出了运输质量q_{t,c_b},当运输合同t由承运人c_b执行时,期望实现该运输质量。拍卖师的任务是找到一组X中标(X子集B),使得每个运输合同至少是一个中标的一部分,总采购成本最小化,总运输质量最大化。本文提出了一种元启发式方法的2 WDP-SC集成贪婪随机自适应搜索过程与两阶段的候选组件选择过程,大邻域搜索,自适应参数设置,以找到一个有竞争力的一组非支配的解决方案。启发式优于所有现有的方法。对于七个小的基准测试实例,启发式是唯一的方法,找到所有帕累托最优的解决方案。对于30个大型实例中的28个,现有的方法都不能计算出主导所提出的启发式算法找到的解决方案的解决方案。
2013-04-22 cs.AI cs.GT math.OC
Multiparametric robust solutions for combinatorial problems with parameterized locally budgeted uncertainty
本文研究了具有参数化局部预算不确定性的组合问题。我们正在寻找一个解决方案集,使得对于任何参数向量,都存在一个鲁棒性接近最优的解决方案。该算法包括应用多参数算法,以获得一个接近最优的多参数解决方案相对于目标函数的组合问题,定义为找到一个强大的解决方案,参数固定。据我们所知,这是第一个提出来做这项任务的算法。最短路径和$p$ -中位数问题的计算经验
2023-01-25 math.OC
Interdicting Structured Combinatorial Optimization Problems with {0,1}-Objectives
阻断问题询问的是有限的变化对底层最优化问题的最坏情况影响。它们是衡量系统鲁棒性或识别其最薄弱环节的自然方法。拦截问题已经被研究了各种各样的经典组合最优化问题,包括最大$s$ - $t$流,最短$s$ - $t$路径,最大权重匹配,最小生成树,最大稳定集,和图连通性。大多数阻断问题是NP难的,而且,即使是设计有效的近似算法,允许估计的数量级的最坏情况下的影响,已被证明是非常困难的。并不令人惊讶的是,少数已知的近似算法是针对特定问题量身定制的。受Burch等人(2003)方法的启发,我们提出了一种获得许多阻断问题伪近似的通用方法。更准确地说,对于任何$α>0$,我们的算法将返回一个$(1+α)$近似值,或者一个可能超过阻断预算至多$1+α^{-1}$的因子但也至少与遵守预算的最优解一样好的解。此外,我们的方法可以处理submodular阻断成本时,潜在的问题是找到一个最大的重量独立集的拟阵,例如最大重量森林问题。该方法有时可以通过利用底层最优化问题的附加结构属性来改进,以获得更强的结果。我们证明了这一点,提出了一个PTAS阻断$b$稳定集的二部图。
2015-11-08 cs.DS math.OC
A Primal Approach to Facial Reduction for SDP Relaxations of Combinatorial Optimization Problems
Clemson University(克莱姆森大学)
针对带二次目标函数的组合优化问题SDP松弛,提出新型面部约化原始算法,利用可行解简化步骤,平均比标准实现快4倍,改进SDP松弛预处理。
2026-07-30 math.OC
A Compressive Sensing Inspired Monte-Carlo Method for Combinatorial Optimization
Keio University(庆应义塾大学);National Institute of Information and Communications Technology (NICT)(信息通信研究机构)
提出一种基于随机查询目标函数估计广义矩,再利用压缩感知贪心算法寻找全局最优的蒙特卡洛压缩优化算法,与双重退火对比验证其竞争力,并给出理论分析和开源实现。
2026-10-30 math.OC quant-ph
Solving multi-objective optimization problems in conservation with the reference point method
管理生物多样性灭绝危机需要明智的决策过程,能够考虑到有限的可用资源。在保护生物学的大多数判定问题中,必须考虑几个相互冲突的目标。大多数用于保护的方法要么提供次优解决方案,要么对决策者的偏好进行强有力的假设。本文回顾了一些现有的方法来解决多目标判定问题,并提出了新的多目标线性规划公式的两个多目标最优化问题的保护,允许使用的参考点的方法。参考点方法通过在准则空间中的一个点(称为参考点)交互地表示决策者的偏好来解决多目标最优化问题。我们建模并解决了以下两个保护问题:不确定性下的动态多物种管理问题和空间分配资源管理问题。结果表明,参考点方法优于经典方法,同时说明了使用交互式方法来解决多目标组合问题。该方法具有通用性,适用范围广。
2016-11-23 math.OC q-bio.PE q-bio.QM
An oracle-based framework for robust combinatorial optimization
提出了一种求解具有不确定线性目标的组合最优化问题的最小最大鲁棒问题的一般方法。我们专注于离散场景的情况下,但我们的方法可以扩展到其他类型的不确定性集,如多面体或椭球。关于潜在的某些问题,该算法完全基于Oracle,即,我们的方法仅需要用于解决特定问题的(原始)算法。因此,它在潜在问题难以解决的情况下特别有用,或者仅由解决特定情况的给定软件隐式定义。我们的算法的思想是解决凸松弛的鲁棒问题的单纯分解方法,主要的挑战是不可微的情况下,离散或多面体的不确定性的目标函数。由此产生的双重界限,然后使用一个定制的分支和边界的框架内解决鲁棒性问题的最优性。通过计算评估,我们表明,我们的方法优于简单的线性化方法的鲁棒最小生成树问题。此外,使用Concorde求解器的某些甲骨文,我们的方法计算更好的双重边界的鲁棒流动推销员问题在相同的时间。
2022-01-04 math.OC
ADMM for combinatorial graph problems
本文研究了一类一般的组合图问题,包括MAX-CUT和社区检测问题,将其转化为非凸约束下的二次目标问题,并通过乘子的交替方向法(ADMM)求解.我们提出两个重新表述:一个使用向量变量和二进制约束,和其他进一步重新制定Burer-Monteiro形式为更简单的子问题。尽管非凸约束,我们证明了ADMM迭代收敛到一个稳定点,在这两个配方,在温和的假设。此外,最近的工作表明,在后一种形式中,当矩阵因子足够宽时,具有高概率的局部最优值也是全局最优值。为了证明我们的算法的可扩展性,我们包括最大切割,社区检测,图像分割基准和模拟的例子。
2018-05-27 math.OC
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
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
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
Extremal Probability Bounds in Combinatorial Optimization
在本文中,我们计算的概率,最佳值的组合最优化问题的最大化形式与随机目标超过一个给定的数字,假设只有知识的边缘分布的目标系数向量的最优值的最严格可能的界限。边界是"极端的“,因为它们在具有给定边缘的所有联合分布上都有效。我们分析了计算的复杂性,假设离散的边际和确定的情况下,在多项式时间内计算的界限。对于紧致0/1 V-多面体,我们通过一个伪多项式时间算法证明了最紧上界是弱NP-难计算的。另一方面,通过限制对Bernoulli随机变量的关注,证明了紧致0/1 V-多面体的最紧下界是强NP-难计算的。对于紧致0/1 H-多面体,对于项目管理中PERT网络的特殊情况,我们通过给出一个伪多项式时间算法,证明了最紧上界是弱NP-难计算的.本文的结果补充了文献中关于独立随机变量的概率计算的已有结果。
2021-09-03 math.OC math.PR
Pricing and clearing combinatorial markets with singleton and swap orders: Efficient algorithms for the futures opening auction problem
在这篇文章中,我们考虑的组合市场的估值只为单件和对购买/出售订单交换两个项目在相同的数量。我们提供了一个算法,允许多项式时间的市场出清和定价。结果的背景下,我们的主要应用:期货开盘拍卖问题。期货合约是降低市场风险和交易对手信用风险的重要工具。在期货市场上,这些合约可以在不同的到期日和基础上进行交易。一种常见的对冲策略是将头寸滚动到下一个到期日,但这种策略会带来重大的操作风险。为了解决这一风险,交易所开始提供所谓的期货合约组合,允许交易员交换两个到期日不同的期货合约,或者交换两个基础不同的期货合约。理论上,在这两种情况下,价格都是两份期货合约的差价。然而,特别是在开盘拍卖中,由于次优清算,经常发生价格效率低下的情况,从而导致潜在的套利机会。我们提出了一个最小成本流制定的期货开盘拍卖问题,保证一致的价格。其核心思想是将订单建模为网络中的弧,在两个分层目标的帮助下执行均衡条件,并将这些目标组合成一个加权目标,同时保留双重最优解的价格信息。由此产生的最优化问题可以在多项式时间内求解,并且计算测试建立了适合于生产环境的经验性能。
2017-10-27 math.OC
Approximation Algorithms for Optimization of Combinatorial Dynamical Systems
本文考虑一类动力系统的最优化问题,该系统的演化依赖于二元决策变量的集合。我们开发了可扩展的近似算法,可证明的次优界提供计算上易于处理的解决方案的方法,即使当系统的维数和二进制变量的数量是大的。所提出的方法采用了线性逼近的目标函数,使近似的问题被定义在可行空间的二进制决策变量,这是一个离散的集合。为了定义这样一个线性逼近,我们提出了两种不同的变分方法:一种使用离散空间的连续松弛,另一种使用向量场和运行支付的凸组合。该近似问题是一个0-1线性规划问题,可以用已有的多项式时间精确算法或近似算法求解,且不需要求解动力系统。此外,我们刻画了一个充分条件,确保近似解有一个可证的次优界。我们表明,这个条件可以解释为目标函数的平方。所提出的算法的性能和实用性证明与开/关控制问题的相互依存的制冷系统。
2015-01-07 math.OC
Super-Quadratic Quantum Speedups for Combinatorial Optimization via Tilted Walks
Global Technology Applied Research, JPMorganChase(摩根大通全球应用技术研究)
本文提出量子倾斜游走框架,通过偏置判别矩阵实现精确组合优化,在相同假设下对条件化与搜索算法取得超二次加速,且无需基态制备,并在合成问题上验证优势。
2026-10-01 cs.DS math.OC quant-ph
Learning with Combinatorial Optimization Layers: a Probabilistic Approach
Ecole des Ponts(巴黎桥路学院)
机器学习(ML)管道中的组合优化(CO)层是处理数据驱动决策任务的强大工具,但它们面临两个主要挑战。首先,CO问题的解通常表现为其目标参数的分段常数函数。鉴于ML管道通常使用随机梯度下降进行训练,缺乏斜率信息是非常有害的。其次,标准ML损失在组合设置中不起作用。越来越多的研究通过各种方法应对这些挑战。不幸的是,缺乏良好维护的实现减缓了CO层的采用。在本文中,建立在以前的作品,我们介绍了一个概率的角度对CO层,这自然有助于近似微分和结构化损失的建设。我们从文献中恢复许多方法作为特例,我们也得到新的。基于这种统一的观点,我们提出了InferOpt.jl,一个开源的Julia包,1)允许将任何具有线性目标的CO oracle转换为可微层,2)定义足够的损失来训练包含这些层的管道。我们的库可以使用任意优化算法,并且与Julia的ML生态系统完全兼容。我们展示了它的能力,使用视频游戏地图上的寻路问题作为指导的例子,以及其他三个应用程序的运筹学。
2022-12-03 cs.LG math.OC stat.ML
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
On the Complexity of Robust Bilevel Optimization With Uncertain Follower's Objective
我们研究了不确定性的两层组合优化的复杂性,在追随者的目标,在一个强大的优化方法。我们证明了区间不确定性下的两层问题的鲁棒对应可以是$Σ^{\text P}_2$ -硬的,即使当某些两层问题是NP-等价的和追随者的问题是易处理的。相反,在离散不确定性情况下,鲁棒双层问题最多比跟随者问题难一层。
2021-07-28 cs.DS math.OC
Ideal formulations for constrained convex optimization problems with indicator variables
Northwestern University(西北大学);University of Southern California(南加州大学)
受现代回归应用的启发,本文研究了一类具有指示变量和组合约束的凸优化问题的凸化问题。与以往大多数稀疏回归问题凸化的工作,我们同时考虑非线性不可分离的目标,指示变量,和组合约束。具体地,我们给出了任意组合约束下一维凸函数与仿射函数的合成上图的凸包描述。作为这一结果的特殊情况下,我们得到理想的凸性问题的层次,多重共线性,稀疏约束。此外,我们还给出了一个简短的证明,对于一个可分离的目标函数,透视重构是理想的独立于问题的约束。我们的计算实验与回归问题的层次约束下的真实数据集证明了所提出的方法在提高松弛质量,而没有显着的计算开销的潜力。
2021-06-16 cs.LG math.OC
Robust Combinatorial Optimization Problems Under Budgeted Interdiction Uncertainty
针对基于基数的约束或目标,提出一种离散预算不确定性变体,通过权重向量作用于预算约束;证明该鲁棒问题NP-hard且不可近似,但实验表明部分模型在问题规模上扩展性良好。
2024-04-29 math.OC
A Combinatorial Benders Decomposition Framework for Two-Dimensional Irregular Bin Packing Problems with Convex Polygons
University of Science and Technology of China(中国科学技术大学)
本文提出一种精确的组合Benders分解框架,结合模式主问题与几何可行性oracle,通过分支定价和动态Benders割求解凸多边形二维不规则装箱问题,在540个基准实例中为318个实例找到最优解,优于直接MIP和基线Benders方法。
2026-09-22 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
Efficient Projection Partitioning for parallel multi-objective integer optimisation
本文介绍了一种新的方法划分的多目标优化问题的并行处理的解决方案空间,称为有效的投影分割。这种方法将解决方案向下投影到单个维度中,大大降低了划分搜索空间的成本。我们测试EPP的各种随机生成的多目标组合优化问题。结果进行了比较,与最先进的并行分区,我们表明,在所有的情况下测试,我们的新算法的性能显着更好。我们所提出的方法允许通过使用高度并行的计算基础设施生成具有更多决策变量或目标函数的较大问题的非支配集。提供信源编码以允许其他人利用、构建和改进算法
2017-11-22 math.OC
A Technique Based on Trade-off Maps to Visualise and Analyse Relationships Between Objectives in Optimisation Problems
The University of Nottingham(诺丁汉大学)
本研究提出一种含四步骤的权衡图技术,可可视化分析多目标优化问题的目标间全局与局部关系,经三类经典组合优化问题验证,能助力理解目标关系带来的问题难度。
2025-08-06 cs.AI cs.HC cs.NE
A Hybrid Method of Combinatorial Search and Coordinate Descent for Discrete Optimization
离散最优化是数学最优化中的一个中心问题,有着广泛的应用,其中二元最优化和稀疏最优化是两种常见的优化问题。然而,这些问题是NP难的,因此一般难以解决。组合搜索法,如分支定界和穷举搜索找到全局最优解,但限于小规模的问题,而坐标下降法,如坐标梯度下降是有效的,但往往遭受穷人的局部最小值。在本文中,我们考虑一种混合方法,结合了组合搜索的有效性和协调下降的效率。具体地说,我们考虑随机策略或/和贪婪策略来选择一个坐标子集作为工作集,然后基于原始目标函数在工作集上进行全局组合搜索。此外,我们提供了一些最优性分析和收敛性分析所提出的方法。我们的方法找到了比现有方法更强的稳定点。最后,我们证明了我们的方法在一些稀疏优化和二进制优化应用的有效性。因此,我们的方法在准确性方面达到了最先进的性能。例如,我们的方法通常优于著名的正交匹配追踪方法在稀疏优化。关键词:稀疏优化,二进制优化,坐标下降,组合搜索,离散最优化,收敛性分析。
2018-11-22 math.OC
Inverse Optimization Without Inverse Optimization: Direct Solution Prediction with Transformer Models
Tepper School of Business, Carnegie Mellon University(卡内基梅隆大学泰珀商学院)
本文提出基于Transformer模型的直接解预测方法,用于解决具有未知组件的组合优化问题,通过约束推理模块整合已知约束,生成结构相似且满足约束的解,展现出在复杂问题中优于LSTM和逆向优化的性能。
2026-02-05 math.OC
Ordinal Optimization Through Multi-objective Reformulation
我们用序数分析组合最优化问题,即,非加性的目标函数,将类别(如好、中、差)而不是费用系数分配给可行解的元素。我们回顾了不同的有序最优化问题的最优性概念,并讨论了它们的异同。然后,我们专注于两个流行的最优性概念,被证明是等价的。我们的主要结果是一个双射线性变换,将有序优化问题转换为相关的标准多目标最优化问题与二元费用系数。由于这种转换保留了潜在问题的所有属性,因此特定于问题的解决方法仍然适用。一个突出的例子是动态规划和贝尔曼的最优性原理,可以应用于,例如,顺序最短路径和顺序背包问题。我们将我们的结果推广到结合了序数和实值目标函数的多目标最优化问题。
2022-04-05 math.CO math.OC
Reheated Gradient-based Discrete Sampling for Combinatorial Optimization
University of Toronto(多伦多大学);Purdue University(普渡大学)
本文针对梯度离散采样在组合优化中“等高线徘徊”导致的低效探索问题,提出受物理学临界温度与比热启发的重加热机制,并在多种组合优化问题上验证其优于现有采样与数据驱动方法。
2025-03-06 cs.LG math.OC stat.ML
The First Proven Performance Guarantees for the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) on a Combinatorial Optimization Problem
École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);CNRS(法国国家科学研究中心);Hasso Plattner Institute(哈索·普拉特纳研究所);University of Potsdam(波茨坦大学)
本研究首次证明了NSGA-II在NP完全双目标最小生成树问题上的性能保证,同时改进了全局SEMO算法的相关分析,证实多目标进化算法并行寻优的特性。
2023-06-09 cs.AI cs.DS cs.NE
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
Random Postprocessing for Combinatorial Bayesian Optimization
Tohoku University(东北大学);Kitasato University(北里大学);Tokyo Institute of Technology(东京工业大学);Sigma-i Co., Ltd.(Sigma-i公司)
针对离散黑箱优化中贝叶斯优化重复采样导致收敛慢的问题,提出严格禁止重复样本的随机后处理方法,数值实验表明该方法显著减少寻优步骤,尤其适用于最大后验采集函数。
2023-12-28 cond-mat.dis-nn cs.LG math.OC
Optimising two-block averaging kernels to speed up Markov chains
National University of Singapore(新加坡国立大学)
本文提出通过优化双块平均核加速马尔可夫链混合,利用KL散度和Frobenius距离作为优化目标,结合结构化组合优化方法和算法近似方案,提升计算效率并验证其有效性。
2026-03-11 cs.IT math.CO math.IT