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
相关材料