监督式大邻域搜索用于混合整数规划
最优化与控制
2025-01-22 v1
摘要
大邻域搜索(LNS)是解决混合整数规划(MIP)问题的强大启发式方法框架。然而，在LNS中设计有效的变量选择策略仍具有挑战性，尤其是对于多样化的问题集合。本文提出了一种方法，将机器学习(ML)集成到LNS的破坏算子中，侧重于最小化离线训练。我们实现了一个模块化的LNS元启发式，用作测试台来比较不同的LNS启发式方法，包括我们的ML增强LNS。在MIPLIB 2017数据集上的实验结果表明，元启发式显著改进了像Gurobi和SCIP这样的领先求解器的性能。我们对噪声 oracle 进行分析，探讨了预测准确率对解质量的影响。此外，我们开发了通过损失调整和抽样程序来提高ML模型性能的技术。我们的发现表明，尽管随机LNS仍然具有竞争力，我们的监督式LNS(SLNS)超过了其他基准，并为未来研究奠定了基础，即基于ML的LNS方法既高效又通用。
引用
@article{arxiv.2501.10778,
title = {Supervised Large Neighbourhood Search for MIPs},
author = {Charly Robinson La Rocca and Jean-François Cordeau and Emma Frejinger},
journal= {arXiv preprint arXiv:2501.10778},
year = {2025}
}