干货！机器学习遇上运筹优化，助力企业降本增效：一种双层优化方法

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

运筹帷幄，决胜千里。运筹优化(Operations Research)作为数学、计算机科学、管理学的交叉学科，如今广泛应用在企业的生产、运营、物流环节，通过计算机算法指导和辅助人类管理者进行决策。在这篇NeurlPS21论文中，本文提出了一种将最新的机器学习技术(强化学习、图神经网络)与传统优化算法结合的框架，弥补了现有机器学习框架难收敛、模型容量要求高的缺陷，在3个真实的组合优化问题上显著地提升了传统算法的求解性能。

本期AI TIME PhD直播间，我们邀请到上海交通大学博士生——汪润中，为我们带来报告分享《机器学习遇上运筹优化，助力企业降本增效：一种双层优化方法》。

汪润中：

上海交通大学三年级博士生，师从严骏驰副教授和杨小康教授，主要研究方向是机器学习-传统算法融合的组合优化和图论求解。汪润中已在CVPR、ICCV、NeurlPS、TPAM上发表第一作者论文7篇，担任CVPR、 ICCV NeurlPS、 ICLR、ECCV、AAAI等会议的审稿人。

01

Background

本文的主要研究内容针对于如何处理组合优化问题，组合优化问题如标题中所提到的运筹优化中的重要分支。

例如计算任务的调度问题，在调度问题中需合理安排计算资源及数据中的CPU的核数指派到合适的任务，实现最大效率的完成，优化目标是最小化完成所有任务的时间；

又如图学习或机器学习中常用到的，图编辑距离，图学习中常用的图之间的距离度量，它通过衡量从图1到图2之间最短的编辑路径所对应的最小的编辑代价来衡量两张图的相似程度，也是一个NP-ha