用于分支定界算法中变量选择的强化学习
机器学习
2020-12-02 v1 机器学习
摘要
混合整数线性规划通常由分支定界算法求解。最成功的商业求解器效率的一个关键因素是它们精细调整的启发式方法。在本文中，我们利用真实世界实例中的模式，从零开始学习一种针对给定问题优化的新分支策略，并将其与商业求解器进行比较。我们提出了FMSTS，一种专门为此任务设计的新型强化学习(Reinforcement Learning)方法。我们方法的优势在于局部值函数与全局关注度量之间的一致性。此外，我们提供了将已知RL技术适配到分支定界设置的见解，并提出了一种受文献启发的新型神经网络架构。据我们所知，这是首次使用强化学习来完全优化分支策略。计算实验表明，我们的方法适用且能够很好地泛化到新实例。
引用
@article{arxiv.2005.10026,
title = {Reinforcement Learning for Variable Selection in a Branch and Bound Algorithm},
author = {Marc Etheve and Zacharie Alès and Côme Bissuel and Olivier Juan and Safia Kedad-Sidhoum},
journal= {arXiv preprint arXiv:2005.10026},
year = {2020}
}