大规模批处理经济调度的自认证 primal-dual 优化代理
机器学习
2026-04-14 v2 人工智能
最优化与控制
摘要
最近的研究表明，优化代理可在高保真度下进行训练，实现大规模问题的平均最优性间隙低于 1%。然而，最坏情况分析显示，存在分布内查询会导致最优性间隙高出几个数量级，这在实际中使预测难以可信。本文旨在在经典求解器与优化代理之间取得平衡，以实现可信的部署，基于用户定义的最优性阈值实现可解释的速度-最优性权衡。为此，本文提出一种混合求解器，利用对偶理论高效地界定预测的最优性间隙，对于无法认证最优性的查询，回退使用经典求解器。为提高混合求解器实现的加速比，本文提出了一种替代训练程序，结合 primal 和 dual 代理训练。在大规模输电系统上的实验表明，混合求解器具有高度可扩展性。所提出的混合求解器相对于并行 simplex 求解器实现了超过 1000 倍的加速，同时保证最大最优性间隙为 2%。
引用
@article{arxiv.2510.15850,
title = {Self-Certifying Primal-Dual Optimization Proxies for Large-Scale Batch Economic Dispatch},
author = {Michael Klamkin and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2510.15850},
year = {2026}
}