OR Paper Weekly （3）｜机器学习助力组合优化，连续决策问题与在线线性规划，经典秘书问题的实证研究

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

原文链接：A Classifier to Decide on the Linearization of Mixed-Integer Quadratic Problems in CPLEX | Operations Research

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