PySCIPOpt-ML：将训练好的机器学习模型嵌入混合整数规划
最优化与控制
2024-05-24 v2 人工智能
摘要
混合整数规划（MIP）是建模现实世界优化问题的标准工具。然而，对于许多此类问题，关于变量之间关系的信息要么不完整，要么高度复杂，这使得直接对问题进行建模变得困难甚至不可能。为了克服这些障碍，机器学习（ML）预测器常被用来表示这些关系，然后作为代理模型嵌入到 MIP 中。由于可用的 ML 框架数量庞大且许多 ML 预测器本身就很复杂，将此类预测器公式化为 MIP 是一项非常复杂的任务。在本文中，我们介绍了 PySCIPOpt-ML，这是一个开源工具，用于自动将训练好的 ML 预测器公式化并嵌入到 MIP 中。通过直接与广泛的常用 ML 框架和一个开源 MIP 求解器接口，PySCIPOpt-ML 提供了一种将 ML 约束轻松集成到优化问题中的方法。除了 PySCIPOpt-ML，我们还介绍了 SurrogateLIB，一个包含嵌入式 ML 约束的 MIP 实例库，并展示了在 SurrogateLIB 上的计算结果，为实际可嵌入的 ML 预测器规模提供了直观认识。该项目可在 https://github.com/Opt-Mucca/PySCIPOpt-ML 获取。
引用
@article{arxiv.2312.08074,
title = {PySCIPOpt-ML: Embedding Trained Machine Learning Models into Mixed-Integer Programs},
author = {Mark Turner and Antonia Chmiela and Thorsten Koch and Michael Winkler},
journal= {arXiv preprint arXiv:2312.08074},
year = {2024}
}