学习调度启发式算法用于采矿综合体同步随机优化
最优化与控制
2022-02-28 v1 人工智能
机器学习
摘要
采矿综合体同步随机优化(SSOMC)是一个大规模随机组合优化问题,它同时管理从多个矿井开采物料并使用互联设施进行加工以生成一组最终产品,同时考虑物料供应(地质)不确定性以管理相关风险。尽管模拟退火已被证明优于用于求解 SSOMC 的比较方法,但早期性能可能主导近期性能,因为使用启发式算法性能的组合来确定应用哪些扰动。本工作提出了一种数据驱动的启发式调度框架,用于完全自管理的超启发式(hyper-heuristic)来求解 SSOMC。所提出的 learn-to-perturb (L2P) 超启发式是一种多邻域模拟退火算法。L2P 以自适应方式选择要应用的启发式(扰动),使用强化学习来高效探索哪个局部搜索最适合特定搜索点。若干最先进的智能体已集成到 L2P 中,以更好地适应搜索并引导其朝向更优解。通过从描述启发式性能的数据中学习,获得了特定问题的启发式排序,该排序共同更快地找到更好的解。L2P 在多个真实世界采矿综合体上进行了测试,重点在于效率、鲁棒性和泛化能力。结果显示迭代次数减少 30-50%,计算时间减少 30-45%。
引用
@article{arxiv.2202.12866,
title = {Learning to Schedule Heuristics for the Simultaneous Stochastic Optimization of Mining Complexes},
author = {Yassine Yaakoubi and Roussos Dimitrakopoulos},
journal= {arXiv preprint arXiv:2202.12866},
year = {2022}
}
备注
Accepted at the AAAI-22 Workshop on Machine Learning for Operations Research (ML4OR). Long version under review