Compact Optimality Verification for Optimization Proxies

要約

近年、最適化プロキシ、つまりパラメトリック最適化問題の入出力マッピングを近似し、最適に近い実現可能なソリューションを返す機械学習モデルへの関心が高まっています。
(Nellikkath & Chatzivasileiadis、2021) による最近の研究に続いて、この論文では、最適化プロキシの最適性検証問題、つまりインスタンス分布にわたる最悪の場合の最適性ギャップの決定について再検討します。
この論文では、最適性検証のためのコンパクトな定式化と、元の定式化に実質的な計算上の利点をもたらす勾配ベースのプライマル ヒューリスティックを提案しています。
コンパクトな定式化はより一般的でもあり、非凸最適化問題に適用されます。
コンパクトな定式化の利点は、大規模な DC 最適電力流とナップザック問題で実証されます。

要約(オリジナル)

Recent years have witnessed increasing interest in optimization proxies, i.e., machine learning models that approximate the input-output mapping of parametric optimization problems and return near-optimal feasible solutions. Following recent work by (Nellikkath & Chatzivasileiadis, 2021), this paper reconsiders the optimality verification problem for optimization proxies, i.e., the determination of the worst-case optimality gap over the instance distribution. The paper proposes a compact formulation for optimality verification and a gradient-based primal heuristic that brings substantial computational benefits to the original formulation. The compact formulation is also more general and applies to non-convex optimization problems. The benefits of the compact formulation are demonstrated on large-scale DC Optimal Power Flow and knapsack problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google