Machine Learning Insides OptVerse AI Solver: Design Principles and Applications

要約

デジタルユビキティの時代においては、多くの業界において効率的なリソース管理と意思決定が最も重要です。
この目的を達成するために、私たちは機械学習（ML）技術をHuawei CloudのOptVerse AI Solverに統合することに関する包括的な研究を紹介します。これは、現実世界の数学的プログラミングインスタンスの不足を軽減し、従来の最適化技術の能力を超えることを目的としています。
現実世界の問題の多面的な構造を反映する生成モデルを利用して、複雑な SAT および MILP インスタンスを生成する方法を紹介します。
さらに、動的環境におけるソルバーの有用性を維持するために、拡張ポリシーを活用したトレーニング フレームワークを導入します。
データの生成と拡張に加えて、私たちが提案するアプローチには、パーソナライズされたソルバー戦略のための新しい ML 駆動のポリシーも含まれており、初期基底選択のためのグラフ畳み込みネットワークや、高度な事前解決とカット選択のための強化学習などのアプリケーションに重点が置かれています。
さらに、ソルバーのパフォーマンスを大幅に向上させる最先端のパラメーター調整アルゴリズムの組み込みについて詳しく説明します。
Gurobi や SCIP などの従来のソルバーと比較して、ML で拡張された OptVerse AI ソルバーは、確立されたベンチマークと現実世界のシナリオの両方で優れた速度と精度を実証し、数理計画ソルバーにおける機械学習技術の実践的な必須性と有効性を強化します。

要約(オリジナル)

In an era of digital ubiquity, efficient resource management and decision-making are paramount across numerous industries. To this end, we present a comprehensive study on the integration of machine learning (ML) techniques into Huawei Cloud’s OptVerse AI Solver, which aims to mitigate the scarcity of real-world mathematical programming instances, and to surpass the capabilities of traditional optimization techniques. We showcase our methods for generating complex SAT and MILP instances utilizing generative models that mirror multifaceted structures of real-world problem. Furthermore, we introduce a training framework leveraging augmentation policies to maintain solvers’ utility in dynamic environments. Besides the data generation and augmentation, our proposed approaches also include novel ML-driven policies for personalized solver strategies, with an emphasis on applications like graph convolutional networks for initial basis selection and reinforcement learning for advanced presolving and cut selection. Additionally, we detail the incorporation of state-of-the-art parameter tuning algorithms which markedly elevate solver performance. Compared with traditional solvers such as Gurobi and SCIP, our ML-augmented OptVerse AI Solver demonstrates superior speed and precision across both established benchmarks and real-world scenarios, reinforcing the practical imperative and effectiveness of machine learning techniques in mathematical programming solvers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google