本申請(qǐng)?zhí)峁┮环N混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法及系統(tǒng)，用以解決求解效率較低的技術(shù)問(wèn)題。混合整數(shù)線性規(guī)劃預(yù)測(cè)方案包括：獲取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題；將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖；將二分圖輸入至訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到解的變量邊際概率分布；通過(guò)解的變量邊際概率分布，得到初始點(diǎn)；根據(jù)所述初始點(diǎn)，給定約束半徑，建立信賴域；在信賴域中搜索得到滿足預(yù)設(shè)范數(shù)距離的可行解，作為混合整數(shù)線性規(guī)劃問(wèn)題的解輸出。通過(guò)圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)解的變量邊際概率分布，并在該基礎(chǔ)上，設(shè)置約束半徑，確定區(qū)域約束。通過(guò)新增的區(qū)域約束減小了可行域大小從而加速求解，大大提高了對(duì)混合整數(shù)線性規(guī)劃問(wèn)題的求解效率。高了對(duì)混合整數(shù)線性規(guī)劃問(wèn)題的求解效率。高了對(duì)混合整數(shù)線性規(guī)劃問(wèn)題的求解效率。
【技術(shù)實(shí)現(xiàn)步驟摘要】
混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法及系統(tǒng)
[0001]本申請(qǐng)涉及機(jī)器學(xué)習(xí)
，尤其涉及一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法及系統(tǒng)。
技術(shù)介紹
[0002]混合整數(shù)線性規(guī)劃(Mixed
?
Integer Linear Programming，MILP)問(wèn)題為一種部分決策變量為整數(shù)、目標(biāo)函數(shù)和約束條件均為線性的優(yōu)化問(wèn)題。
[0003]目前在求解混合整數(shù)線性優(yōu)化問(wèn)題的研究中，有通過(guò)訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)(GNN)來(lái)學(xué)習(xí)高質(zhì)量可行解的分布，并基于該分布對(duì)每個(gè)變量的取值進(jìn)行采樣，進(jìn)而獲得一組解的方法。
[0004]在實(shí)現(xiàn)現(xiàn)有技術(shù)的過(guò)程中，專利技術(shù)人發(fā)現(xiàn)：
[0005]現(xiàn)有求解混合整數(shù)線性優(yōu)化問(wèn)題的方法，需要同類問(wèn)題重復(fù)求解，導(dǎo)致耗時(shí)較長(zhǎng)，求解效率較低。
[0006]因此，提出了一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法及系統(tǒng)，用以解決求解效率較低的技術(shù)問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
[0007]本申請(qǐng)實(shí)施例需要提供一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法及系統(tǒng)，用以解決重復(fù)采樣導(dǎo)致求解效率較低的技術(shù)問(wèn)題。
[0008]具體的，一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法，包括以下步驟：
[0009]獲取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題；
[0010]將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖；
[0011]將二分圖輸入至訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到解的變量邊際概率分布；
[0012]通過(guò)解的變量邊際概率分布，得到初始點(diǎn)；
[0013]根據(jù)所述初始點(diǎn)，給定約束半徑，建立信賴域；
[0014]在信賴域中搜索得到滿足預(yù)設(shè)范數(shù)距離的可行解，作為混合整數(shù)線性規(guī)劃問(wèn)題的解輸出。
[0015]進(jìn)一步的，所述將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖，具體包括：
[0016]提取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題的決策變量特征和約束條件特征；
[0017]將決策變量特征作為決策變量節(jié)點(diǎn)；
[0018]將約束條件特征作為約束條件節(jié)點(diǎn)；
[0019]將決策變量節(jié)點(diǎn)和約束條件節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系作為邊；
[0020]根據(jù)決策變量節(jié)點(diǎn)、約束條件節(jié)點(diǎn)和邊，構(gòu)成二分圖。
[0021]進(jìn)一步的，所述通過(guò)解的變量邊際概率分布，得到初始點(diǎn)，具體包括：
[0022]圖神經(jīng)網(wǎng)絡(luò)分別預(yù)測(cè)每個(gè)變量為1的概率值；
[0023]將概率值根據(jù)大小進(jìn)行排序；
[0024]設(shè)定k0、k1；
[0025]將較小的k0個(gè)變量賦值為0，將較大的k1個(gè)變量賦值為1，得到初始點(diǎn)；
[0026]其中，所述k0表示變量賦值為0的個(gè)數(shù)，k1表示變量賦值為1的個(gè)數(shù)。
[0027]進(jìn)一步的，所述訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，具體訓(xùn)練步驟包括：
[0028]獲取混合整數(shù)線性規(guī)劃問(wèn)題；
[0029]將混合整數(shù)線性規(guī)劃問(wèn)題輸入至通用求解器，生成解和對(duì)應(yīng)解的目標(biāo)函數(shù)值；
[0030]根據(jù)解和對(duì)應(yīng)解的目標(biāo)函數(shù)值，得到解集的變量概率分布；
[0031]將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)。
[0032]進(jìn)一步的，所述將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)，具體包括：
[0033]定義損失函數(shù)；
[0034]定義原始學(xué)習(xí)模型；
[0035]輸入訓(xùn)練數(shù)據(jù)至原始學(xué)習(xí)模型，輸出含圖神經(jīng)網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；
[0036]將損失函數(shù)與原始學(xué)習(xí)模型結(jié)合，訓(xùn)練得到用于預(yù)測(cè)解的邊緣概率分布的圖神經(jīng)網(wǎng)絡(luò)。
[0037]本申請(qǐng)實(shí)施例還提供一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的系統(tǒng)，包括：
[0038]獲取模塊，用于獲取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題；
[0039]編碼模塊，用于將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖；
[0040]預(yù)測(cè)模塊，用于將二分圖輸入至訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到解的變量邊際概率分布；還用于通過(guò)解的變量邊際概率分布，得到初始點(diǎn)；
[0041]解集輸出模塊，用于根據(jù)所述初始點(diǎn)，給定約束半徑，建立信賴域；還用于在信賴域中搜索得到滿足預(yù)設(shè)范數(shù)距離的可行解，作為混合整數(shù)線性規(guī)劃問(wèn)題的解輸出。
[0042]進(jìn)一步的，所述編碼模塊，用于將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖，具體用于：
[0043]提取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題的決策變量特征和約束條件特征；
[0044]將決策變量特征作為決策變量節(jié)點(diǎn)；
[0045]將約束條件特征作為約束條件節(jié)點(diǎn)；
[0046]將決策變量節(jié)點(diǎn)和約束條件節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系作為邊；
[0047]根據(jù)決策變量節(jié)點(diǎn)、約束條件節(jié)點(diǎn)和邊，構(gòu)成二分圖。
[0048]進(jìn)一步的，所述還用于通過(guò)解的變量邊際概率分布，得到初始點(diǎn)，具體用于：
[0049]圖神經(jīng)網(wǎng)絡(luò)分別預(yù)測(cè)每個(gè)變量為1的概率值；
[0050]將概率值根據(jù)大小進(jìn)行排序；
[0051]設(shè)定k0、k1；
[0052]將較小的k0個(gè)變量賦值為0，將較大的k1個(gè)變量賦值為1，得到初始點(diǎn)；
[0053]其中，所述k0表示變量賦值為0的個(gè)數(shù)，k1表示變量賦值為1的個(gè)數(shù)。
[0054]進(jìn)一步的，所述訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，具體用于：
[0055]獲取混合整數(shù)線性規(guī)劃問(wèn)題；
[0056]將混合整數(shù)線性規(guī)劃問(wèn)題輸入至通用求解器，生成解和對(duì)應(yīng)解的目標(biāo)函數(shù)值；
[0057]根據(jù)解和對(duì)應(yīng)解的目標(biāo)函數(shù)值，得到解集的變量概率分布；
[0058]將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)。
[0059]進(jìn)一步的，所述將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)，具體用于：
[0060]定義損失函數(shù)；
[0061]定義原始學(xué)習(xí)模型；
[0062]輸入訓(xùn)練數(shù)據(jù)至原始學(xué)習(xí)模型，輸出含圖神經(jīng)網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；
[0063]將損失函數(shù)與原始學(xué)習(xí)模型結(jié)合，訓(xùn)練得到用于預(yù)測(cè)解的邊緣概率分布的圖神經(jīng)網(wǎng)絡(luò)。
[0064]本申請(qǐng)實(shí)施例提供的技術(shù)方案，至少具有如下有益效果：
[0065]通過(guò)圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)可行解概率值，并在該可行解概率值的基礎(chǔ)上，確定可行解，減小了求解時(shí)長(zhǎng)，大大提高了對(duì)混合整數(shù)線性規(guī)劃問(wèn)題的求解效率。
附圖說(shuō)明
[0066]此處所說(shuō)明的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：
[0067]圖1為本申請(qǐng)實(shí)施例提供的一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法的流程框圖；
[0068]圖2為本申請(qǐng)實(shí)施例提供的一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的系統(tǒng)的結(jié)構(gòu)示意圖。
[0069]圖中附圖標(biāo)記表示為：
[0070]100
?
混合整數(shù)線本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的方法，其特征在于，包括以下步驟：獲取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題；將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖；將二分圖輸入至訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到解的變量邊際概率分布；通過(guò)解的變量邊際概率分布，得到初始點(diǎn)；根據(jù)所述初始點(diǎn)，給定約束半徑，建立信賴域；在信賴域中搜索得到滿足預(yù)設(shè)范數(shù)距離的可行解，作為混合整數(shù)線性規(guī)劃問(wèn)題的解輸出。2.如權(quán)利要求1所述方法，其特征在于，所述將待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題轉(zhuǎn)為二分圖，具體包括：提取待預(yù)測(cè)混合整數(shù)線性規(guī)劃問(wèn)題的決策變量特征和約束條件特征；將決策變量特征作為決策變量節(jié)點(diǎn)；將約束條件特征作為約束條件節(jié)點(diǎn)；將決策變量節(jié)點(diǎn)和約束條件節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系作為邊；根據(jù)決策變量節(jié)點(diǎn)、約束條件節(jié)點(diǎn)和邊，構(gòu)成二分圖。3.如權(quán)利要求1所述方法，其特征在于，所述通過(guò)解的變量邊際概率分布，得到初始點(diǎn)，具體包括：圖神經(jīng)網(wǎng)絡(luò)分別預(yù)測(cè)每個(gè)變量為1的概率值；將概率值根據(jù)大小進(jìn)行排序；設(shè)定k0、k1；將較小的k0個(gè)變量賦值為0，將較大的k1個(gè)變量賦值為1，得到初始點(diǎn)；其中，所述k0表示變量賦值為0的個(gè)數(shù)，k1表示變量賦值為1的個(gè)數(shù)。4.如權(quán)利要求1所述方法，其特征在于，所述訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，具體訓(xùn)練步驟包括：獲取混合整數(shù)線性規(guī)劃問(wèn)題；將混合整數(shù)線性規(guī)劃問(wèn)題輸入至通用求解器，生成解和對(duì)應(yīng)解的目標(biāo)函數(shù)值；根據(jù)解和對(duì)應(yīng)解的目標(biāo)函數(shù)值，得到解集的變量概率分布；將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)。5.如權(quán)利要求4所述方法，其特征在于，所述將解集的變量概率分布作為模型訓(xùn)練時(shí)的標(biāo)簽，訓(xùn)練得到用于預(yù)測(cè)解的邊際概率分布的圖神經(jīng)網(wǎng)絡(luò)，具體包括：定義損失函數(shù)；定義原始學(xué)習(xí)模型；輸入訓(xùn)練數(shù)據(jù)至原始學(xué)習(xí)模型，輸出含圖神經(jīng)網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；將損失函數(shù)與原始學(xué)習(xí)模型結(jié)合，訓(xùn)練得到用于預(yù)測(cè)解的邊緣概率分布的圖神經(jīng)網(wǎng)絡(luò)。6.一種混合整數(shù)線性規(guī)劃問(wèn)題預(yù)測(cè)解的系統(tǒng)，其特征在于，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：韓晴宇，楊林鑫，陳乾，王阿康，孫若愚，羅效東，
申請(qǐng)(專利權(quán))人：深圳市大數(shù)據(jù)研究院，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。