作者:徐思坤,王源,叶方顶
编者按:OR Paper Weekly 栏目将会从运筹学顶级期刊上选择一部分有趣的文章,对这些文章的主要研究内容进行一个概述/点评。OR Paper Weekly 的特点是 不做大而全的照搬,也未必都只选择优质的文章,而是精选一部分有趣的文章。辅之以科普/点评/吐槽的方式,让大家随时了解最新的科研动态。欢迎大家一起来 欣赏优质文章,学习脑洞文章,鄙视灌水文章。本期 OR Paper Weekly 精选了六篇文章,涵盖ML4CO,个体行为实证研究,连续决策问题和在线线性规划等多个热点话题。
精选论文 (一)
论文题目:A Classifier to Decide on the Linearization of Mixed-Integer Quadratic Problems in CPLEX
期刊:Operations Research
发表年份:2022
作者:Pierre Bonami, Andrea Lodi, Giulia Zarpellon
摘要:我们将是否线性化凸混合二次整数规划(MIQP)的算法问题转化为分类任务并使用机器学习 (ML) 技术来解决它 。我们通过精心的设计机器学习的目标函数和特征工程来表示 MIQP 和线性化的决策。 计算实验和评估指标旨在进一步将优化知识纳入学习领域。 作为实际的应用场景,MIQP 线性化的分类器已成功部署在 CPLEX 12.10.0 中:据我们所知,这是第一个将端到端的学习技术集成到商业优化求解器中的案例,并最终提出了一种通过的框架用来结合基于 ML 的决策和混合整数规划问题。
文章亮点/点评:Andrea Lodi 在 COWork2020会议的时候就已经提到了这项研究工作。Machine Learning for Combinatorial Optimization 这个新方向大致有两大类思路:一类是基于监督学习的,通过监督学习直接学习出一个最优解,显然这样的方法的方法可能会很快的获得一个近似最优解,但是这样的方法稳定性比较差。另外一类的思路是基于强化学习的,也可以说是基于Policy的,借助强化学的思路可能会寻找到比较好的Policy,但该方法同样受限于 exploration difficult,另外 reward function的设计也极具挑战性。本文的工作是用机器学习来在优化问题的预处理阶段发挥作用ÿ