RL-SPH：用于整数线性规划的学习可行解启发式方法
机器学习
2026-05-13 v7 人工智能
摘要
原始启发式方法在快速找到 NP-hard 整数线性规划（ILP）的可行解方面发挥着关键作用。尽管近期提出了基于 end-to-end 学习的原始启发式方法（E2EPH），但它们通常无法独立生成可行解。为此，我们提出 RL-SPH，一种基于强化学习的起始原始启发式方法，能够独立生成即使针对包含非二进制整数的 ILP 也能生成可行解。经实证验证，RL-SPH 能够以 100% 的可行性率快速获得高质量可行解，平均将原始间隙降低 28.6 倍，原始积分降低 2.6 倍。
引用
@article{arxiv.2411.19517,
title = {RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs},
author = {Tae-Hoon Lee and Min-Soo Kim},
journal= {arXiv preprint arXiv:2411.19517},
year = {2026}
}
备注
Accepted at ICML 2026. 30 pages, 12 figures, 22 tables