基于图神经网络的快速实例特定算法配置方法

组合优化（CO）问题在 various 行业应用中至关重要，其中求解速度是关键。提高CO求解器在不同输入实例上的性能需要为每个实例微调求解器参数。然而，这种调参过程耗时，而随着实例数量的增加，所需时间也随之增长。为此，已设计一种称为实例特定算法配置（ISAC）的方法。该方法包括两个主要步骤：训练和执行。在训练步骤中，从各种实例中提取特征，然后按聚类方式分组。对于每个聚类，都会对参数进行微调。这种聚类特定的调参过程导致了一组针对属于每个类的实例的通用参数。在执行步骤中，从未知实例中提取特征以确定其聚类，并应用相应的预调优参数。求解器的运行时间通常通过求解时间（$TTS$）来评估。然而，ISAC等方法需要预处理。因此，总执行时间为$T_{tot}=TTS+T_{tune}$，其中$T_{tune}$表示调参时间。虽然目标是最小化$T_{tot}$，但需要注意的是，ISAC方法中提取特征需要一定的计算时间。特征提取包括求解执行日志的摘要统计信息，这需要数十秒。本研究提出一种方法，通过简化特征提取和类别确定过程，显著减少ISAC执行步骤的时间。实验结果表明，与原始ISAC方式相比，执行步骤中的$T_{tune}$可从数十秒降低到亚秒。