智能可行性泵：面向（混合）整数规划的强化学习
机器学习
2021-07-20 v2
摘要
在这项工作中，我们提出一种深度强化学习（DRL）模型，用于为（混合）整数规划（MIP）问题寻找可行解。为 MIP 问题寻找可行解至关重要，因为许多成功启发式方法依赖于已知的初始可行解。然而，这在一般意义上是 NP 难的。受可行性泵（FP）——一种著名的用于搜索 MIP 可行解的启发式方法——的启发，我们开发了使用 DRL 的智能可行性泵（SFP）方法。除多层感知机（MLP）外，我们为策略网络提出一种新颖的卷积神经网络（CNN）结构，以捕获 MIP 问题约束矩阵的隐藏信息。在各种问题实例上的数值实验表明，SFP 在到达首个可行解所需步数方面显著优于经典 FP。此外，CNN 结构无需以当前解的投影作为输入，从而节省了 FP 算法每一步中寻找投影的计算开销。这凸显了 CNN 结构的表征能力。
引用
@article{arxiv.2102.09663,
title = {Smart Feasibility Pump: Reinforcement Learning for (Mixed) Integer Programming},
author = {Meng Qi and Mengxin Wang and Zuo-Jun Shen},
journal= {arXiv preprint arXiv:2102.09663},
year = {2021}
}