ترجمه فارسی مقاله یادگیری ماشین برای جداسازی مبتنی بر بهینه سازی: مورد برش های گرد کردن عدد صحیح مختلط

چکیده

Mixed-Integer Rounding (MIR) cuts are effective at improving the dual bound in Mixed-Integer Linear Programming (MIP). However, in practice, MIR cuts are separated heuristically rather than using optimization as the latter is prohibitively expensive. We present a hybrid cut generation framework in which we train a Machine Learning (ML) model to inform cut generation for a family of similar instances. Our framework solves a MIP-based separation problem to generate high-quality MIR cuts, then learns to identify useful constraints that led to these effective cuts. At test time, the predictions of the ML model allow us to solve a reduced MIP-based separation problem. We present computational results for this approach on datasets of randomly perturbed MIPLIB2017 instances.

چکیده به فارسی (ترجمه ماشینی)

برش های گرد و معینی مخلوط (miR) در بهبود اتصال دوگانه در برنامه نویسی خطی مخلوط مخلوط (MIP) مؤثر هستند.با این حال ، در عمل ، برش های MIR به جای استفاده از بهینه سازی ، از نظر اکتشافی از هم جدا می شوند زیرا دومی بسیار گران است.ما یک چارچوب تولید برش ترکیبی ارائه می دهیم که در آن ما یک مدل یادگیری ماشین (ML) را آموزش می دهیم تا نسل برش را برای خانواده ای از موارد مشابه مطلع کنیم.چارچوب ما یک مشکل جداسازی مبتنی بر MIP را برای تولید برش های miR با کیفیت بالا حل می کند ، سپس می آموزد که محدودیت های مفیدی را که منجر به این برش های مؤثر شده است ، شناسایی کند.در زمان آزمون ، پیش بینی های مدل ML به ما امکان می دهد تا یک مشکل جداسازی مبتنی بر MIP را کاهش دهیم.ما نتایج محاسباتی را برای این روش در مجموعه داده های نمونه های MIPLIB2017 به طور تصادفی آشفته ارائه می دهیم.