作者：王源，徐思坤，陈贤邦
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。
精选论文 (一)
论文题目：Machine-Learning–Based Column Selection for Column Generation
期刊：Transportation Science
发表年份：2020年
作者：Mouad Morabit, Guy Desaulniers, Andrea Lodia
原文链接：
https://pubsonline.informs.org/doi/abs/10.1287/trsc.2021.1045
摘要：列生成算法是常见的求解大规模整数规划问题的方法。本文提出了一种基于机器学习来加速列生成求解的新方法。该方法的特点是 在每一步列生成算法的迭代中，通过机器学习训练出一个模型来生成新的列（选择一个变量的子集添加到主问题构成新的一列）。该方法通过选择最合适的列来降低主问题的计算时间。我们在带有时间窗约束的车辆路径规划问题和组环问题上验证了该方法。实验结果表明该方法可以降低30%的计算时间。
文章亮点/点评：传统的列生成算法是通过极大化 reduced cost 的子问题来生成新的列的。从全局的视角来看 这样添加列的方式会比较的greedy，因此传统列生成算法的效率会受到较大影响。本文通过机器学习来生成新的列，将机器学习和传统的运筹优化算法相结合，以基于数据的机器学习模型来解决传统运筹学中一些难以解决的问题已经成为了目前的研究趋势。
精选论文 (二)
论文题目：Metaheuristics “In the Large”
期刊：European Journal of Operational Research
发表年份：2021年
作者：Jerry Swan, Steven Adriaensen, Alexander E. I. Brownlee c, Kevin Hammond d, Colin G. Johnson, et al.
原文链接：
https://www.sciencedirect.com/science/article/pii/S0377221721004707
摘要：在过去的几十年里涌现出大量关于元启发式算法（Metaheuristics）的各类改进，可以说元启发式算法早已成为了优化领域的显学。为了避免元启发式算法缺乏系统性和缺乏可重复性的问题，我们迫切需要强大的计算设备来支持新方法的开发，分析和比较。为此，我们提出了 Metaheuristics “In the Large” 项目，以实现我们的愿景。该项目的愿景是：实现真正可扩展的算法模版，无需对算法进行修改即可重用。为特定领域的知识（domain knowledge）的融入提供通用的白盒问题描述，以及可以远程访问的框架，组建和问题。相信这一举措会提高算法的可重复性，加速该领域的进一步发展。我们认为通过这种基础施设的建设，可以促使该领域朝着更水平的科学研究加速前进。在本文中我们描述了我们的期望，并且展示了所有元启发采用的通用协议，以帮助进一步释放该领域的潜力，简化对元启发式算法设计空间的探索。
文章亮点/点评：诚如本篇论文所述，元启发式算法在过去的几十年中出（guan）现（shui）了大量的论文。各种各样的生物在元启发式算法中粉墨登场，例如蛙跳算法、猫群算法、蟑螂算法，天牛算法，帝王蝶算法，头脑风暴算法，黏菌觅食算法，植物胞群算法，树种优化算法。由此可见，动物都不够用的了，元启发式算法已经将触手伸到了昆虫，植物和微生物。元启发式算法有着非常好的应用场景，例如在多目标优化，数据驱动优化和黑箱优化等场景下可以和数学优化算法形成互补。希望通过Metaheuristics “In the Large” 项目能促使元启发式算法的研究进一步的向着健康的方向发展。
精选论文 (三)
论文题目：Operations Research: Topics, Impact, and Trends from 1952–2019
期刊：Operations Research
发表年份：2021年
作者：Mouad Morabit, Guy Desaulniers, Andrea Lodia
原文链接：
https://pubsonline.informs.org/doi/abs/10.1287/opre.2021.2139
摘要：本文回顾了 Operations Research 期刊近68年来的出版成果，揭示了其文章、作者的变化及其随时间的影响，以及这些变化对研究人员和从业者的影响。Operations Research 自1952年创立到2019年，总共接收了5440篇文章。
通过对论文作者的数据进行分析可得以下结论：1美国、加拿大和英国分列发文的前三位，其中美国以4058篇名列第一，并且美国的发文量超过了第2名到第10名的总和。中国（大陆）以125篇名列第7名。2 库存问题是北美、亚洲和中东国家最热门的研究问题，而欧洲国家则专注于调度问题。
通过对研究内容的数据进行分析可得以下结论：1 数学规划是最常见的研究方法，2 库存问题是研究最多的问题，3近年来与定价有关的研究正在显著增加。
通过对研究趋势的数据进行分析可得以下结论：1 近十年来动态规划是最常用的方法，2 近十年来定价是研究最多的问题。由此可知动态规划和定价问题在未来依然会是研究热点。
文章亮点/点评：
关于本文的详细解读 可以参考之前我们的一篇文章：【主编推荐】哪个国家在 Operations Research 上发文最多？（数据解析OR创刊68年来发文趋势）
精选论文 (四)
论文题目：From Predictive to Prescriptive Analytics
期刊：Management Science
发表年份：2018年
作者：Dimitris Bertsimas, Nathan Kallusb
原文链接：
https://pubsonline.informs.org/doi/abs/10.1287/mnsc.2018.3253
摘要：我们构造了一个结合了机器学习、运筹与管理科学以及一些特殊的方法的框架，通过这个框架，我们可以利用数据为运筹与管理科学中的问题推荐（Prescribe）最优决策。与其他数据驱动优化的研究不同的是，我们考虑的数据不仅包含了对成本和收益有直接影响的观测量，还包含了问题相关的主要辅助变量的观测值。本文考虑的主要问题是一个基于不完美样本的条件随机优化问题，其中问题相关的联合概率分布未知。我们展示了我们的方法可广泛应用于非常多的决策问题，证明了这些方法在计算上易解并且在一般条件下渐进最优，这些结果即使在不满足独立同分布的数据以及删失数据下仍然成立。我们将这套方法拓展至某些决策变量（例如价格）与不确定性有未知因果关系的场景。我们定义了指导性系数（Coefficient of Prescriptiveness）P，用以从运营的角度度量数据的指导性内容以及策略的有效性。我们以一个年均发货量超过十亿单的大型媒体公司分销部门所面对的库存管理问题为例来展示这套方法。我们利用内部数据以及从IMDb、烂番茄和谷歌上收集得到的公共数据对他们的运营决策所作出的指导性建议提升了他们运营的基准表现。具体而言，利用我们的方法，我们收集到的数据在指导性系数的度量下为他们的运营能力带来了88%的提升。
文章亮点/点评：从描述性分析（Descriptive analysis）中的收集、整理、统计，到预测性分析（Predictive analysis）中更为复杂的挖掘、聚类、预测，我们对数据的了解越来越深。现在我们不仅需要理解数据，更要利用数据来做出更智能的决策，这就是本文所描述的指导性分析（Prescriptive Analysis）。数据驱动决策是目前绝大多数商业模式迈向智能与高效的关键，而实现这样的跨越需要背后完备的概率统计和优化理论的支撑。本文从概述利用数据推荐最优决策的框架出发，通过研究一类特殊的随机优化问题，以及它在经典的库存管理问题中的应用，展示了数据驱动决策在运营效率提升上的强大之处。虽然 Prescriptive Analysis一词有新瓶装旧酒之嫌，但无论是为了了解数据驱动决策的框架还是为了学习它在具体运营问题中的应用，本文都是一篇值得一读的经典。
精选论文 (五)
论文题目：Actor-Critic–Like Stochastic Adaptive Search for Continuous Simulation Optimization
期刊：Operation Research
发表年份：2021年
作者：Qi Zhang, Jiaqiao Hua
原文链接：
https://pubsonline.informs.org/doi/abs/10.1287/opre.2021.2214
摘要：我们为求解一类带Lipschitz连续性质的仿真优化问题提出了一个随机搜索算法。该算法从一个参数化的解空间概率分布中抽取候选解，并通过一个基于所谓的收敛球方法的异步学习过程衡量抽取的样本点（候选解）的表现。这个算法最大的特点在于它在完整地保留了此前仿真的信息的同时采用了一个近似架构来利用对目标函数的知识来提升解的质量。算法的每一步同时调整参数化的解空间概率分布以及目标函数的近似估计，这与强化学习中的Actor-Critic架构非常类似。我们提出了算法表现的有限时间概率边界，并展示了在每次迭代中仅有一个仿真观测值的情况下的全局收敛性。我们的实证研究表明该算法很有前景，并有可能在效率以及可靠性上超越目前的一些搜索方法。
文章亮点/点评：本文所提出的随机搜索算法，在传统随机优化的思路，即近似目标函数的基础上，赋予解空间一个先验并用随机抽样的方法去学习解空间的分布，来达到提升算法表现的目的。文章算法的思路非常清晰，并且有一定的启发性。与强化学习中Actor-Critic算法的类比非常抓人眼球。这也从侧面说明了一篇顶刊文章不仅需要方法论上的创新，还需要讲好一个故事，有一个抓人眼球的点。
精选论文 (六)
论文题目：Feature-driven Economic Improvement for Network-constrained Unit Commitment: A Closed-loop Predict-and-optimize Framework
期刊：IEEE Transactions on Power Systems
发表年份：2021年
作者：Xianbang Chen, Yafei Yang, Yikui Liu, Lei Wu
原文链接：
https://www.researchgate.net/profile/Xianbang-Chen/publication/356189174_Feature-driven_Economic_Improvement_for_Network-constrained_Unit_Commitment_A_Closed-loop_Predict-and-optimize_Framework/links/61906a2961f098772093c4d3/Feature-driven-Economic-Improvement-for-Network-constrained-Unit-Commitment-A-Closed-loop-Predict-and-optimize-Framework.pdf
Abstract:
机组组合(unit commitment, UC)是电力市场结算的重要环节。一般来说，UC会在开环型预测-再优化(Open-loop predict-then-optimize, O-PO)框架下执行：先以统计精度为导向预测可再生能源出力，再以系统运行成本最小为目标优化UC，预测与优化环节呈开环状态。但由于UC模型含有大量非线性约束，因此统计上更精确的预测值未必会诱导出经济性更好的UC决策。针对该问题，本文提出了一种闭环型预测-优化(Closed-loop predict-and-optimize, C-PO)框架以提高UC经济性。C-PO以UC经济性为导向进行预测，同时考虑了UC模型的约束与优化目标，使得预测与优化环节呈闭环状态。为提高C-PO的实用性，设计了拉格朗日分解算法，以加速C-PO预测器的训练过程。最后，基于IEEE RTS 24-Bus系统和5655-Bus系统的算例得到两个结论：C-PO框架能够有效提高UC经济性，并具有较好的实用性。
文章亮点/点评：
1. 生成以UC经济性为导向的可再生能源预测值，C-PO能够有效提高UC经济性。
2. 无需替换已有的预测工具，C-PO与当前普遍使用的O-PO框架兼容。
3. 拉格朗日分解算法能有效加速预测器的训练，C-PO具备应用于大型系统的潜力。
819
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
