返回
Solving two-stage stochastic integer programs via representation learning
DOI:10.1016/j.neunet.2025.107446.png)
摘要
En 中文
求解随机整数规划(SIPs)由于高计算复杂度而极其难以处理。为了高效求解两阶段SIPs,我们提出了一种条件变分自编码器(CVAE)用于场景表示学习。一个基于图卷积网络(GCN)的VAE将场景嵌入到低维潜在空间中,条件依赖于每个实例的确定性上下文。通过随机场景的潜在表示,我们执行两项辅助任务:目标预测和场景对比,分别用于预测场景目标值以及它们之间的相似性。这些任务通过梯度反向传播进一步将目标信息整合到表示中。实验表明,学习的场景表示能够帮助减少SIPs中的场景数量,从而在较短的计算时间内促进高质量解的产生。这种优越性能够很好地推广到更大规模、更多场景以及不同分布的实例中。
Keyword:
Stochastic integer programs
Conditional variational autoencoder
Semi-supervised learning
Contrastive learning
期刊
IF:
6.3
论文数:
8.4K
被引数:
3.9W

