CAMBranch：使用增强混合整数线性规划进行对比学习以优化分支策略
机器学习
2024-02-07 v1 人工智能
摘要
最近的进展引入了机器学习框架来增强用于求解混合整数线性规划(MILP)的分支定界(B&B)分支策略。这些方法主要依赖于对强分支的模仿学习，已展现出优越的性能。然而，为模仿学习收集专家样本，特别是对于强分支，是一项耗时的工作。为了应对这一挑战，我们提出了 \textbf{C}ontrastive Learning with \textbf{A}ugmented \textbf{M}ILPs for \textbf{Branch}ing (CAMBranch)，这是一个通过对其原始 MILP 的有限专家数据应用变量偏移来生成增强 MILP (AMILP) 的框架。这种方法能够获取大量带标签的专家样本。CAMBranch 同时利用 MILP 和 AMILP 进行模仿学习，并采用对比学习来增强模型捕捉 MILP 特征的能力，从而提高分支决策的质量。实验结果表明，仅使用完整数据集的 10\% 进行训练的 CAMBranch 展现出了优越的性能。消融研究进一步验证了我们方法的有效性。
引用
@article{arxiv.2402.03647,
title = {CAMBranch: Contrastive Learning with Augmented MILPs for Branching},
author = {Jiacheng Lin and Meng Xu and Zhihua Xiong and Huangang Wang},
journal= {arXiv preprint arXiv:2402.03647},
year = {2024}
}