• 财务系统
  • OA
  • 采购信息
  • 企业邮箱
  • English
  • 研究院概况
    • 研究院概述
    • 发展历程
    • 组织架构
    • 人才团队
      • 管理团队
      • 科研团队
      • 职能团队
  • 科研部门
    • 大数据基础理论与算法研究所
    • 大数据通用软件与技术研究所
      • 通用求解器实验室
    • 大数据智能应用技术研究所
      • 信息系统大数据实验室
      • 医疗大数据实验室
      • 语音语义大数据实验室
      • 智慧城市/交通/物流大数据实验室
      • 政务与法治大数据实验室
      • 深圳国际工业与应用数学中心
    • 联合实验室
      • 深圳市大数据研究院-江西移动联合创新实验室
      • SRIBD-KAUST 科学计算与机器学习联合实验室(SCML联合实验室)
      • 深圳市大数据研究院-香港中文大学(深圳)-中国科学院数学与系统科学研究院 刘徽实验室
      • 深圳市大数据研究院-医友天下智慧听诊联合创新实验室
      • 深圳市大数据研究院-国家健康医疗大数据研究院(深圳)-卫宁健康智慧临床联合实验室
      • 深圳市大数据研究院-香港中文大学(深圳)-华为未来网络优化创新实验室
    • 科研处
  • 科学研究
    • 重要成果
    • 科研项目
      • 项目库
      • 项目精选
    • 教育项目
      • 奖学金项目
      • 联合培养项目
    • 科研活动
    • 学人风采
    • MIIS
  • 新闻中心
    • 院内新闻
    • 媒体聚焦
    • 通知公告
      • 采购招标公开信息
      • 重大通知
    • 科普中心 
    • 视听中心
      • 视频
      • 期刊
  • 党群文化
    • 党群风采
    • 学习园地
  • 人才招聘
    • 科研类职位
    • 工程类职位
    • 行政类职位
    • 岗位总览
  • 联系我们
    • 信息咨询
    • 公关宣传
    • 产业合作
  • 研究院概况
    • 研究院概述
    • 发展历程
    • 组织架构
    • 人才团队
      • 管理团队
      • 科研团队
      • 职能团队
  • 科研部门
    • 大数据基础理论与算法研究所
    • 大数据通用软件与技术研究所
      • 通用求解器实验室
    • 大数据智能应用技术研究所
      • 信息系统大数据实验室
      • 医疗大数据实验室
      • 语音语义大数据实验室
      • 智慧城市/交通/物流大数据实验室
      • 政务与法治大数据实验室
      • 深圳国际工业与应用数学中心
    • 联合实验室
      • 深圳市大数据研究院-江西移动联合创新实验室
      • SRIBD-KAUST 科学计算与机器学习联合实验室(SCML联合实验室)
      • 深圳市大数据研究院-香港中文大学(深圳)-中国科学院数学与系统科学研究院 刘徽实验室
      • 深圳市大数据研究院-医友天下智慧听诊联合创新实验室
      • 深圳市大数据研究院-国家健康医疗大数据研究院(深圳)-卫宁健康智慧临床联合实验室
      • 深圳市大数据研究院-香港中文大学(深圳)-华为未来网络优化创新实验室
    • 科研处
  • 科学研究
    • 重要成果
    • 科研项目
      • 项目库
      • 项目精选
    • 教育项目
      • 奖学金项目
      • 联合培养项目
    • 科研活动
    • 学人风采
    • MIIS
  • 新闻中心
    • 院内新闻
    • 媒体聚焦
    • 通知公告
      • 采购招标公开信息
      • 重大通知
    • 科普中心 
    • 视听中心
      • 视频
      • 期刊
  • 党群文化
    • 党群风采
    • 学习园地
  • 人才招聘
    • 科研类职位
    • 工程类职位
    • 行政类职位
    • 岗位总览
  • 联系我们
    • 信息咨询
    • 公关宣传
    • 产业合作
  • 财务系统
  • OA
  • 采购信息
  • 企业邮箱
  • English
  • 研究院概况
    • 研究院概述
    • 发展历程
    • 组织架构
    • 人才团队
      • 管理团队
      • 科研团队
      • 职能团队
  • 科研部门
    • 大数据基础理论与算法研究所
    • 大数据通用软件与技术研究所
      • 通用求解器实验室
    • 大数据智能应用技术研究所
      • 信息系统大数据实验室
      • 医疗大数据实验室
      • 语音语义大数据实验室
      • 智慧城市/交通/物流大数据实验室
      • 政务与法治大数据实验室
      • 深圳国际工业与应用数学中心
    • 联合实验室
      • 深圳市大数据研究院-江西移动联合创新实验室
      • SRIBD-KAUST 科学计算与机器学习联合实验室(SCML联合实验室)
      • 深圳市大数据研究院-香港中文大学(深圳)-中国科学院数学与系统科学研究院 刘徽实验室
      • 深圳市大数据研究院-医友天下智慧听诊联合创新实验室
      • 深圳市大数据研究院-国家健康医疗大数据研究院(深圳)-卫宁健康智慧临床联合实验室
      • 深圳市大数据研究院-香港中文大学(深圳)-华为未来网络优化创新实验室
    • 科研处
  • 科学研究
    • 重要成果
    • 科研项目
      • 项目库
      • 项目精选
    • 教育项目
      • 奖学金项目
      • 联合培养项目
    • 科研活动
    • 学人风采
    • MIIS
  • 新闻中心
    • 院内新闻
    • 媒体聚焦
    • 通知公告
      • 采购招标公开信息
      • 重大通知
    • 科普中心 
    • 视听中心
      • 视频
      • 期刊
  • 党群文化
    • 党群风采
    • 学习园地
  • 人才招聘
    • 科研类职位
    • 工程类职位
    • 行政类职位
    • 岗位总览
  • 联系我们
    • 信息咨询
    • 公关宣传
    • 产业合作

面包屑

  • 首页
  • 科学研究
  • 科研项目
  • Learning-Enhanced Optimization Algorithms for MILPs

Learning-Enhanced Optimization Algorithms for MILPs

2023-01-16 科研项目

Project description/target:

Develop a machine learning guided predict-and-search framework to efficiently identify high-quality feasible solutions to mixed-integer linear programming (MILP) problems.

Challenges/pain points:

In real-world settings, MILP models from the same application share similar patterns and characteristics, and such models are routinely solved without making uses of those similarities. Solution-predicting machine learning methods are suitable under such a context, but existing methods:

  • ignore feasibility requirements enforced by constraints
  • necessitate high sample collection costs

Solution:

  • Utilize bipartite graphs to represent MILPs and train a graph neural network (GNN) to learn the weighted conditional marginal probability.

Adopt a trust region like method to carry out a search algorithm that finds near-optimal solutions around a certain point.​​​​​​​

Contribution/application:

  • We propose a novel predict-and-search framework that first trains GNNs to predict the weighted conditional marginal probability and then constructs a trust region to search for high quality feasible solutions.
  • We demonstrate the ability of our proposed framework to provide equivalently good or better solutions than fixing-based solution-predicting approaches.
  • We conduct comprehensive computational studies on several public benchmarks datasets and the computational results show that our proposed framework achieves 51% and 9% smaller primal gaps than state-of-the-art general-purpose optimization solvers SCIP and Gurobi, respectively.

Next step:

  • Continue to explore the and refine our proposed idea.
  • Conduct computational experiments on more generalized datasets.

Collaborators/partners:

Huawei GTS algorithm team

Team/contributors:

Qingyu Han, Linxin Yang, Qian Chen, Akang Wang, Ruoyu Sun, Xiaodong Luo

 
关注我们
  •  
  •  
  •  
  •  
  • 联系我们
    • 信息咨询
    • 公关宣传
    • 产业合作
  • 协同机构
    • 香港中文大学(深圳)
    • 国家健康医疗大数据研究院(深圳)
    • 深圳国际工业与应用数学中心

  • 友情链接
Copyright 大数据研究院(深圳) 2022 版权所有 | 粤ICP备16049670号