通过前瞻学习切割：通过模仿学习切割平面

马克斯·保卢斯（Max B Paulus）、朱利娅·扎佩龙（Giulia Zarpellon）、安德烈亚斯·克劳斯（Andreas Krause）、劳伦特·查林（Laurent Charlin）、克里斯·麦迪森（Chris Maddison）
第39届机器学习国际会议记录，PMLR 162:17584-17600，2022年。

摘要

切割平面对于求解混合整数线性问题（MILP）至关重要，因为它们有助于对最优解值进行边界改进。对于选择切割，现代解算器依赖于手动设计的启发式，这些启发式经过调整以衡量切割的潜在有效性。我们表明，贪婪选择规则明确地向前看，以选择产生最佳边界改进的切割，为切割选择提供了强有力的决策，但成本太高，无法在实践中部署。作为回应，我们提出了一种新的神经架构（NeuralCut），用于前瞻专家的模拟学习。在几个综合MILP基准上，我们的模型在切割选择方面优于标准基准。在真实的B&C求解器上的实验进一步验证了我们的方法，并展示了在此环境下学习方法的潜力。

引用本文

BibTeX公司
@在诉讼程序{pmlr-v162-paulus22a，title={通过前瞻学习切割：通过模仿学习切割平面}，author={保卢斯（Paulus）、马克斯·B（Max B）和扎珀隆（Zarpellon）、朱莉亚（Giulia）和克劳斯（Krause）、安德烈亚斯（Andreas）和查林（Charlin）、劳伦特（Laurent）和麦迪森（Maddison）、克里斯，booktitle={第39届机器学习国际会议论文集}，页数={17584--17600}，年份={2022}，editor={乔杜里、卡马利卡和杰尔卡、斯特凡尼和宋、勒和塞佩斯瓦里、塞萨巴和纽、冈和萨巴托、西万}，体积={162}，series={机器学习研究论文集}，月={7月17日--23日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v162/paulus22a/paulus22a.pdf},url={https://proceedings.mlr.press/v162/paulus22a.html},abstract={切割平面对于求解混合整数线性问题（MILP）至关重要，因为它们有助于对最优解值进行有限的改进。对于选择切割，现代解算器依赖于手动设计的启发式，这些启发式经过调整以衡量切割的潜在有效性。我们表明，贪婪选择规则明确地向前看，以选择产生最佳边界改进的切割，为切割选择提供了强有力的决策，但成本太高，无法在实践中部署。作为回应，我们提出了一种新的神经架构（NeuralCut），用于前瞻专家的模拟学习。在几个综合MILP基准上，我们的模型在切割选择方面优于标准基准。在真实的B&C求解器上的实验进一步验证了我们的方法，并展示了在此环境下学习方法的潜力。}}
尾注
%0会议论文%通过前瞻学习切割：通过模仿学习切割平面%A马克斯B保卢斯%朱莉娅·扎珀隆%安德烈亚斯·克劳斯%劳伦特·查林%克里斯·麦迪森%第39届机器学习国际会议论文集%C机器学习研究论文集%D 2022年%E卡马利卡·乔杜里%E斯特凡妮·杰格尔卡%E乐松%E Csaba Szepesvari公司%鄂岗牛%E西万·萨巴托%F pmlr-v162-脉冲22a%我PMLR%电话：17584--17600%U型https://proceedings.mlr.press/v162/paulus22a.html%V 162型%X切割平面对于求解混合整数线性问题（MILP）至关重要，因为它们有助于优化解值的有界改进。对于选择切割，现代解算器依赖于手动设计的启发式，这些启发式经过调整以衡量切割的潜在有效性。我们表明，贪婪选择规则明确地向前看，以选择产生最佳边界改进的切割，为切割选择提供了强有力的决策，但成本太高，无法在实践中部署。作为回应，我们提出了一种新的神经架构（NeuralCut），用于前瞻专家的模拟学习。在几个综合MILP基准上，我们的模型在切割选择方面优于标准基准。在真实的B&C求解器上的实验进一步验证了我们的方法，并展示了在此环境下学习方法的潜力。
亚太地区
Paulus，M.B.、Zarpellon，G.、Krause，A.、Charlin，L.和Maddison，C.（2022年）。通过前瞻学习切割：通过模仿学习切割平面。第39届机器学习国际会议记录，英寸机器学习研究论文集162:17584-17600网址：https://proceedings.mlr.press/v162/paulus22a.html。

相关材料