预测式组合优化体制下PtO与PnO方法的基准评测
机器学习
2024-11-21 v5 人工智能
最优化与控制
摘要
预测式组合优化（其中组合优化（CO）的参数在决策时刻未知）是对许多现实应用的精确建模，包括能耗感知调度与广告预算分配。解决此类问题通常涉及预测模型与CO求解器。这两个模块按照两种设计原则集成到预测式CO流程中：“预测后优化（PtO）”通过监督学习进行预测，随后利用预测系数求解CO；另一种名为“预测并优化（PnO）”，直接针对最终决策质量进行优化，并声称比传统PtO方法产生更好的决策。然而，缺乏对上述两类方法的系统性基准评测，包括模块层面的具体设计选择，以及覆盖代表性现实场景的评估数据集。为此，我们开发了一个模块化框架，在8个问题上对11种现有PtO/PnO方法进行基准评测，其中包括一个将发布的组合广告新工业数据集。我们的研究表明，在8个基准中的7个上PnO方法优于PtO，但对于PnO的具体设计选择未发现万能方案。在统一基准下提供了对当前方法的全面分类与典型场景的整合。因此，本文可作为未来PnO方法开发的全面基准，并为面向应用的开发提供快速原型。代码见 https://github.com/Thinklab-SJTU/PredictiveCO-Benchmark。
引用
@article{arxiv.2311.07633,
title = {Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime},
author = {Haoyu Geng and Hang Ruan and Runzhong Wang and Yang Li and Yang Wang and Lei Chen and Junchi Yan},
journal= {arXiv preprint arXiv:2311.07633},
year = {2024}
}
备注
NeurIPS 2024 Datasets and Benchmarks Track