一不小心又发了篇CCF-A：机器学习+组合优化，一看就是真正的版本答案！

最新推荐文章于 2025-05-18 10:45:03 发布

前沿速递AI

最新推荐文章于 2025-05-18 10:45:03 发布

阅读量598

点赞数 12

文章标签：机器学习人工智能深度学习

本文链接：https://blog.csdn.net/mikasa33/article/details/147604989

版权

组合优化作为研究热点，近年来备受关注，而利用机器学习求解组合优化问题更是前沿趋势，极具创新潜力。组合优化广泛应用于物流、金融、制造等领域，在提升决策精度和效率方面发挥着关键作用。

传统方法如穷举法或近似算法虽能解决问题，但在面对复杂现实场景时，往往因计算成本高昂、效率低下而难以满足需求。相比之下，机器学习凭借强大的数据驱动能力和模式识别特性，为复杂组合优化问题提供了全新的解决方案。

为帮助大家紧跟学术前沿，我系统梳理了当前热门的十几种求解方法，这些资源不仅展示了机器学习在组合优化中的多样化应用，还为研究者提供了宝贵的参考工具。无论是科研探索还是实际应用，都值得深入挖掘！

全部论文+开源代码需要的同学看文末！

将混合整数线性规划（MILP）表示为带特征的加权二分图：
- 顶点类型：约束顶点和变量顶点
- 顶点特征：约束顶点的特征包含约束的右侧值和类型，变量顶点的特征包含目标系数、变量边界和整数性标识
- 边权重：对应约束矩阵的非零元素值

采用消息传递机制的双向GNN：
- 初始化嵌入：通过可学习的映射函数将顶点特征投影到隐空间
- 多层消息传递：通过约束→变量和变量→约束的双向信息聚合更新顶点表示
- 输出层：针对图级任务和节点级任务分别设计聚合方式

论文链接：https://arxiv.org/pdf/2210.10759

预测模块（Predict）
- 图神经网络（GNN）建模：将MILP实例表示为二分图，通过多层半卷积聚合节点特征。
- 条件分布学习：利用能量函数定义解空间的条件概率分布，通过加权样本学习变量的边际概率。
- 损失函数设计：采用KL散度衡量预测分布与真实分布的差异，分解为单变量交叉熵损失的加权和。
搜索模块（Search）
- 信任区域构建：基于预测的边际概率选择部分变量，定义邻域约束。
- 子问题求解：将邻域约束添加到原MILP问题，调用求解器快速搜索高质量可行解。
关键技术

预测-搜索融合框架
- 首次将GNN预测与信任区域搜索结合，避免传统端到端方法直接固定变量导致的次优解或不可行问题。
条件概率分布建模
- 提出基于能量函数的加权样本学习策略，通过边际概率表征解空间分布，降低高质量训练样本收集成本。
灵活邻域搜索机制
- 设计ℓ1范数约束的信任区域，相比固定策略扩展可行空间，理论证明其解质量更优。
通用性与高效性
- 框架不依赖问题特定结构，在4类公开MILP数据集上平均降低SCIP/Gurobi原始间隙51.1%/9.9%，显著优于神经分支定界等对比方法。
轻量级特征工程
- 提出仅包含目标系数、约束统计量等11维特征的二分图表示方法，无需预求解即可高效提取。