开源项目 `learn2branch` 使用教程

开源项目 learn2branch 使用教程

learn2branchExact Combinatorial Optimization with Graph Convolutional Neural Networks (NeurIPS 2019)项目地址:https://gitcode.com/gh_mirrors/le/learn2branch

1、项目介绍

learn2branch 是一个用于精确组合优化的开源项目，它利用图卷积神经网络（Graph Convolutional Neural Networks, GCN）来解决组合优化问题。该项目在 NeurIPS 2019 上发表，并提供了官方实现。主要目标是帮助用户通过机器学习方法来优化组合问题，特别是在分支定界算法中的分支决策。

2、项目快速启动

安装

首先，克隆项目仓库到本地：

git clone https://github.com/ds4dm/learn2branch.git
cd learn2branch

安装必要的依赖：

pip install -r requirements.txt

生成实例

生成 MILP 实例：

python 01_generate_instances.py setcover

生成监督学习数据集：

python 02_generate_samples.py setcover -j 4  # 使用4个CPU

训练模型

训练图卷积神经网络模型：

for i in {0..4}; do
  python 03_train_gcnn.py setcover -m baseline -s $i
  python 03_train_gcnn.py setcover -m mean_convolution -s $i
  python 03_train_gcnn.py setcover -m no_prenorm -s $i
done

训练竞争对手模型：

for i in {0..4}; do
  python 03_train_competitor.py setcover -m competitor_model -s $i
done

3、应用案例和最佳实践

应用案例

learn2branch 主要应用于组合优化问题，如集合覆盖问题（Set Covering）。通过使用图卷积神经网络，项目能够有效地预测分支定界算法中的最佳分支决策，从而提高求解效率。

最佳实践

• 数据预处理：确保生成的实例和数据集质量高，这对于训练模型的性能至关重要。
• 模型选择：根据具体问题选择合适的模型架构，如 baseline、mean_convolution 或 no_prenorm。
• 超参数调优：通过实验调整学习率、批大小等超参数，以获得最佳模型性能。

4、典型生态项目

learn2branch-ecole

learn2branch-ecole 是 learn2branch 的一个重实现版本，使用 Ecole 库和 PyTorch 框架。它提供了更简洁和高效的实现，并且易于扩展和定制。

安装

git clone https://github.com/ds4dm/learn2branch-ecole.git
cd learn2branch-ecole
pip install -r requirements.txt

使用

生成数据集：

python 02_generate_dataset.py setcover

训练 GNN 模型：

python 03_train_gnn.py setcover

评估模型：

python 04_evaluate.py setcover

通过这些步骤，用户可以快速上手并利用 learn2branch 和 learn2branch-ecole 解决复杂的组合优化问题。

learn2branchExact Combinatorial Optimization with Graph Convolutional Neural Networks (NeurIPS 2019)项目地址:https://gitcode.com/gh_mirrors/le/learn2branch