.png){kind=icon}
返回
HEQP: A Hypergraph Neural Network-Based Evolutionary Method for Large-Scale QCQPs
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2026.3651858.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于机器学习的优化框架通过利用实例间的共享问题结构，已受到广泛关注，用于加速求解大规模二次约束二次规划（QCQP）。然而，现有机器学习（ML）框架通常依赖于参数化模型和大规模求解器的假设。本文介绍了HEQP，一种基于超图神经网络的进化优化框架，用于大规模QCQP。该框架具有两个主要组成部分：1）基于超图的神经预测，无需模型假设即可预测QCQP的最优解；2）进化大邻域搜索（Evo-LNS），采用基于McCormick松弛的修复策略，使用小规模求解器搜索和应用邻域解的交叉。我们进一步证明，对于二次规划，我们的框架等价于内点法（IPM），一种多项式时间算法。在两种基准问题和来自QPLIB的13个大规模实际实例上的实验表明，我们的框架在解质量和时间效率方面均优于当前最优求解器（包括Gurobi、SCIP和SHOT），突显了基于机器学习的优化框架在QCQP中的效率。
Keyword:
Hypergraph neural network
large neighborhood search
large-scale optimization
machine learning (ML)
quadratically constrained quadratic program (QCQP)
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
DHHNN: A Dynamic Hypergraph Hyperbolic Neural Network based on variational autoencoder for multimodal data integration and node classificationDHHNN: 基于变分自动编码器的动态超图双曲神经网络，用于多模态数据集成和节点分类.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容