×
大卫·伯格曼;黄、腾;菲利普·布鲁克斯;安德烈·洛迪;阿文德·拉古纳森（Arvind U。

JANOS：一个集成的预测性和规范性建模框架。 （英语） 兹伯利07551211

信息J.计算。 34，编号2，807-816（2022）.
概要：商业研究实践见证了预测建模和规范分析集成的激增。我们描述了一个建模框架JANOS，它无缝集成了两个分析流，允许研究人员和从业者将机器学习模型嵌入到端到端优化框架中。JANOS允许使用标准优化建模元素（如约束和变量）指定规定模型。关键的新颖之处在于提供了建模结构，使得能够在优化模型中指定常用的预测模型，在优化模型中将预测模型的特征作为变量，并将预测模型的输出作为目标的一部分。该框架考虑了两组决策变量：有规律的和预测的常规变量和预测变量之间的关系由用户指定为预处理预测模型。JANOS目前支持线性回归、逻辑回归和具有校正线性激活函数的神经网络。在本文中，我们通过一个学生入学问题中奖学金分配的例子来证明该框架的灵活性，并提供了一个数字绩效评估。
出资摘要。本文描述了一种新的软件工具JANOS，它集成了预测建模和离散优化来帮助决策。具体来说，该求解器将特定用户的预处理预测模型作为输入，并通过线性变换将其嵌入优化模型中，从而直接在这些预测模型上建立优化模型。

引用于4文件

MSC公司：

90倍X 运筹学、数学规划

关键词：

预测建模;规定性分析;离散优化;解算器

软件：

JANOS公司;JuMP公司;朱莉娅;自动锁相环;古罗比;Scikit公司;皮奥莫
PDF格式BibTeX公司 XML格式引用
\textit{D.Bergman}等人，《信息与计算》。34，编号2，807--816（2022；Zbl 07551211）
全文： DOI程序 arXiv公司

参考文献：

[1] Anderson R、Huchette J、Ma W、Tjandraatmadja C、Vielma JP（2020）训练神经网络的强混合整数规划公式。数学。编程183（1-2）：3-39。Crossref，谷歌学者·Zbl 1450.90014号 ·doi:10.1007/s10107-020-01474-5
[2] Aouad A，Feldman J，Segev D，Zhang D（2019）基于点击的mnl:产品组合优化中点击数据建模的算法框架。预印本，2月23日提交，https://ssrn.com/abstract=3340620.谷歌学者
[3] Bengio Y，Lodi A，Prouvost A（2018）《组合优化的机器学习：方法论之旅》。11月15日提交的预印本，https://arxiv.org/abs/1111.06128.谷歌学者·Zbl 1487.90541号
[4] Bergman D、Huang T、Brooks P、Lodi A、Raghunathan A（2020）JANOS版本v2020年10月23日谷歌学者
[5] Bertsimas D，Kallus N（2020）《从预测到规定分析》。管理科学。66（3）：1025-1044.链接，谷歌学者
[6] Bezanson J、Edelman A、Karpinski S、Shah VB（2017）Julia:数值计算的新方法。SIAM版本。59（1）:65-98.Crossref，谷歌学者·Zbl 1356.68030号 ·数字对象标识代码：10.1137/141000671
[7] Bienstock D，Muñoz G，Pokutta S（2018）通过线性规划进行原理深度神经网络训练。10月7日提交的预印本，https://arxiv.org/abs/1810.03218.谷歌学者
[8] Biggs M、Hariss R、Perakis G（2017）优化随机森林确定的目标函数。预印本，6月16日提交，https://ssrn.com/abstract=2986630.谷歌学者
[9] Boyd S、Parikh N、Chu E、Peleato B、Eckstein J（2011）《通过交替方向乘数法进行分布式优化和统计学习》。基础趋势机器学习。3（1）:1-122.谷歌学者·Zbl 1229.90122号
[10] Cappart Q，Goutierre E，Bergman D，Rousseau LM（2018）使用机器学习改进优化边界：决策图满足深度强化学习。9月10日提交的预印本，https://arxiv.org/abs/1809.03359谷歌学者
[11] Cozad A、Sahinidis NV、Miller DC（2014），基于仿真的优化学习替代模型。AIChE期刊。60（6）：2211-2227.Crossref，谷歌学者·doi:10.1002/aic.14418
[12] DemirovićE，Stuckey PJ，Bailey J，Chan J，Leckie C，Ramamohanarao K，Guns T（2019）背包问题预测与优化研究。Rousseau L-M，Stergiou K，编辑：Internat。Conf.Integration Constraint Programming，人工智能，Operations Res.（Springer，Cham），241-257.谷歌学者·Zbl 1525.90350号
[13] Deng Y，Liu J，Sen S（2018）将数据和决策科学用于分析。当代问题优化与建模的最新进展，运筹学教程（INFORMS，Catonsville，MD），20-49.Link，谷歌学者
[14] Dunning I，Huchette J，Lubin M（2015）JuMP：数学优化建模语言。SIAM版本。59（2）：295-320.谷歌学者交叉引用·Zbl 1368.90002号 ·doi:10.1137/15M1020575
[15] Elmachtoub AN，Grigas P（2017）Smart“预测，然后优化。”预印本，提交于10月22日，https://arxiv.org/abs/1710.08005.谷歌学者
[16] Feldman J、Zhang D、Liu X和Zhang N（2019）客户选择模型与机器学习：在阿里巴巴上寻找最佳产品展示.预印本，8月15日提交，https://ssrn.com/abstract=3232059。谷歌学者
[17] Ferreira KJ、Lee BHA、Simchi-Levi D（2015）《在线零售商分析：需求预测和价格优化》。制造服务运营商。管理18（1）:69-88链接，谷歌学者
[18] Feuer M，Klein A，Eggensperger K，Springenberg J，Blum M，Hutter F（2015）高效且稳健的自动化机器学习。Cortes C、Lawrence N、Lee D、Sugiyama M、Garnett R编辑，《神经信息处理系统进展》，第28卷（Curran Associates，Inc.）。谷歌学者
[19] Fischetti M，Jo J（2017）深度神经网络作为0-1混合整数线性规划：可行性研究。预印本，于12月17日提交，https://arxiv.org/abs/1712.06174.谷歌学者
[20] 古罗比优化有限责任公司（2019）古罗比优化器参考手册。2021年6月12日访问，http://www.gurobi.com.谷歌学者
[21] Hart WE、Watson JP、Woodruff DL（2011）《Pyomo：用Python建模和求解数学程序》。数学。编程计算。3（3）：219-260.Crossref，谷歌学者·doi:10.1007/s12532-011-0026-8
[22] Huang T、Bergman D、Gopal R（2019），附加零售产品选址的预测和规定分析。生产运营。管理28（7）：1858-1877.谷歌学者
[23] Khalil EB、Dilkina B、Nemhauser GL、Ahmed S、Shao Y（2017）《学习在树搜索中运行启发式》。Sierra C编辑。IJCAI（美国），659-666.谷歌学者
[24] Koh K，Kim SJ，Boyd S（2007）大规模l1正则化逻辑回归的内点方法。J.机器学习。物件。7月8日：1519-1555.谷歌学者·Zbl 1222.62092号
[25] Lam SS、Petri KL、Smith AE（2000），使用神经网络和模糊逻辑的分层混合系统预测和优化陶瓷铸造工艺。IIE事务处理。32（1）：83-91.Crossref，谷歌学者·doi:10.1080/7408170008963881
[26] Lemos H，Prates M，Avelar P，Lamb L（2019）《图形着色与深度学习：组合问题的有效图形神经网络模型》。预印本，3月11日提交，https://arxiv.org/abs/1903.04598谷歌学者
[27] Maltz EN、Murphy KE、Hand ML（2007）《大学招生管理决策支持：实施与经验》。决策支持系统44（1）：106-123.Crossref，谷歌学者·doi:10.1016/j.dss.2007.03.008
[28] Mandi J，Demirovi'c E，Stuckey P，Guns T（2019），针对难组合优化问题的智能预测与优化。预印本，提交日期：2011年11月22日，https://arxiv.org/abs/1911.10092.谷歌学者
[29] MišićVV（2017）树集合的优化。预印本，5月30日提交，https://arxiv.org/abs/1705.10883.谷歌学者
[30] Nazari M、Oroojlooy A、Snyder L、Takác M（2018）《解决车辆路径问题的强化学习》。Bengio S，Wallach H，Larochelle H，Grauman K，Cesa-Bianchi N，Garnett R，eds.神经信息处理系统进展，第31卷（Curran Associates，Inc.）。谷歌学者
[31] Paul A、Feldman J、Davis JM（2018）非参数树选择模型下的产品组合优化和定价。制造服务运营商。管理20（3）：550-565.Link，谷歌学者
[32] Pedregosa F、Varoqueux G、Gramfort A、Michel V、Thirion B、Grisel O、Blondel M（2011）Scikit learn:Python中的机器学习。J.机器学习。物件。12:2825-2830.谷歌学者·Zbl 1280.68189号
[33] Schweidtmann AM，Mitsos A（2019）嵌入人工神经网络的确定性全局优化。J.优化。理论应用。180（3）：925-948.Crossref，谷歌学者·Zbl 1407.90263号 ·doi:10.1007/s10957-018-1396-0
[34] Serra T，Tjandraatmadja C，Ramalingam S（2017）深度神经网络线性区域的边界和计数。11月6日提交的预印本，https://arxiv.org/abs/1711.02114.谷歌学者
[35] Wilder B、Dilkina B、Tambe M（2019）《融合数据决策管道：组合优化的决策学习》。程序。第33届AAAI人工智能大会，第33卷（AAAI出版社，加利福尼亚州帕洛阿尔托），1658-1665。谷歌学者
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。