RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs

要約

整数線形プログラミング（ILP）は、さまざまな組み合わせ最適化問題に広く利用されています。
原始ヒューリスティックは、NPハードILPの実行可能なソリューションを迅速に見つける上で重要な役割を果たします。
$ \ textit {エンドツーエンド学習} $ベースのPrimal Heuristics（e2eph）が最近提案されていますが、通常、実現可能なソリューションを独立して生成することができず、主にバイナリ変数に焦点を当てることができません。
特に非バイナリ整数変数を処理する場合は、実現可能性を確保することが重要です。
この課題に対処するために、非バイナリ整数を含むILPであっても、実現可能なソリューションを独立して生成できる新規強化学習ベースのスタートスタートプライマルヒューリスティックであるRL-SPHを提案します。
実験結果は、RL-SPHが高品質の実現可能なソリューションを急速に獲得し、平均して既存の原始ヒューリスティックと比較して平均44倍低い原始ギャップと2.3倍低い原始積分を達成することを示しています。

要約(オリジナル)

Integer linear programming (ILP) is widely utilized for various combinatorial optimization problems. Primal heuristics play a crucial role in quickly finding feasible solutions for NP-hard ILP. Although $\textit{end-to-end learning}$-based primal heuristics (E2EPH) have recently been proposed, they are typically unable to independently generate feasible solutions and mainly focus on binary variables. Ensuring feasibility is critical, especially when handling non-binary integer variables. To address this challenge, we propose RL-SPH, a novel reinforcement learning-based start primal heuristic capable of independently generating feasible solutions, even for ILP involving non-binary integers. Experimental results demonstrate that RL-SPH rapidly obtains high-quality feasible solutions, achieving on average a 44x lower primal gap and a 2.3x lower primal integral compared to existing primal heuristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google