.png){kind=icon}
返回
Learning for Spatial Branching: An Algorithm Selection Approach
.png){kind=icon}
OA
AI
DOI：10.1287/ijoc.2022.0090.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将机器学习技术应用于提升分支定界优化算法在混合整数线性问题中的性能是一个非常活跃的研究领域，但对于非线性优化问题则鲜有研究。为填补这一空白，我们开发了一种用于空间分支的学习框架，并展示了其在多项式优化问题的 Reformulation-Linearization Technique（重整化线性化技术）中的应用效果。所提出的学习方法基于实例特定的特征离线执行，且在求解新实例时无需额外的计算开销。引入了新颖的基于图的特征，这些特征在机器学习中发挥着重要作用。对来自文献的不同基准实例进行的实验表明，基于学习的方法显著优于标准规则。 历史：经 Andrea Lodi（领域编辑/算法设计与分析）接受。 资助：本研究得到了 Ivey Business School（David G. Burgoyne Faculty Fellowship）、FEDER [MTM2014-60191-JIN]、西班牙教育部 [FPU 奖学金 17/02643, FPU 奖学金 20/01555]、西班牙文化教育部 [ED431C 2021/24]、加拿大自然科学与工程研究委员会 [Discovery 奖学金 2017-04185]、西班牙科学与技术部 [MTM2017-87197-C3] 和西班牙科学与创新部 [PID2021-124030NB-C32] 的支持。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息