Learn2Aggregate：用于生成克弗阿尔-戈莫里切割的监督式图神经网络方法
机器学习
2024-09-11 v1 最优化与控制
摘要
我们提出了 ，这是一款用于优化混合整数线性规划 (MILP) 中克弗阿尔-戈莫里 (CG) 切割生成的机器学习框架。该框架训练图神经网络以分类 CG 切割生成中用于聚合的有用约束。该 ML 驱动的 CG 分隔器专注于小范围高影响约束，能够在不牺牲生成切割质量的前提下提高运行速度。我们方法的关键在于构建约束分类任务，以稀疏聚合为优势，这与实证发现相一致。结合严谨的约束标注方案以及深度学习与特征工程的混合策略，我们在五个多样化的 MILP 基准测试中显著提升了 CG 切割生成性能。在最大测试集上，本方法在缩小整体间隙方面约为标准 CG 方法的两倍，同时运行速度快 40%。这种性能提升归功于本方法在聚合前消除了 75% 的约束。
关键词
引用
@article{arxiv.2409.06559,
title = {Learn2Aggregate: Supervised Generation of Chv\'atal-Gomory Cuts Using Graph Neural Networks},
author = {Arnaud Deza and Elias B. Khalil and Zhenan Fan and Zirui Zhou and Yong Zhang},
journal= {arXiv preprint arXiv:2409.06559},
year = {2024}
}
备注
12 pages, 8 figures