当前位置:首页 > 报告详情

杨宁_智能运筹创新应用_watermark.pdf

上传人: 张** 编号:155582 2024-02-15 43页 3.26MB

1、智能运筹创新应用中国科学院自动化研究所群体决策智能团队杨宁邮箱:目录智能运筹研究背景1智能运筹算法应用3智能优化算法研究2外卖配送智能交通排产系统供应链建筑设计智能运筹研究背景应用场景金融决策求解时间长无法在大规模问题使用速度比精确求解快,但求解精度低需要大量对具体问题的研究和试错很难获得最优的标签可行性、自适应性、可泛化性智能运筹研究背景运筹优化问题求解方法智能运筹研究背景强化学习在运筹优化中的应用智能运筹研究背景代表性研究 Manchanda,et al.Learning Heuristics over Large Graphs via Deep Reinforcement Learnin

2、g,NeurIPS,2020.Stooke,et al.Responsive Safety in Reinforcement Learning by PID Lagrangian Methods,PMLR,2020.Tang Y,et al.Reinforcement Learning for Integer Programming:Learning to Cut,PMLR,2020 Li B,et al.Large language models for supply chain optimizationJ.arXiv,2023.目录智能运筹研究背景1智能运筹算法应用3智能优化算法研究2智能

3、优化算法研究智能优化算法评测数学模型应用问题求解器AI方法线性整数规划TSP,TSPTWConcorde,GurobiCNN-Transformer,Pointerformer,bab-dqn,Safe RL(PDO,PPOLag,CPO)VRP,VRPTW,CVRPORTools,SCIP,COPTNeuRewriter混合整数规划库存Gurobi,SCIPDNN-SMEIO割平面问题,set coveringhierarchical sequence model(HEM)Retro Branching,Hybrid-learn2branchProfit for Portfoliobab-d

4、qn0100002000030000eil51berlin52 kroA100求解距离ConcordeGurobitsp50_CNNtsp100_CNNPointerformer_50Pointerformer_10000.511.52eil51berlin52 kroA100求解时间GurobiBeamsearch_50Beamsearch_100Pointerformer_50Pointerformer_100横坐标:数据集纵坐标:求解的最小距离横坐标:数据集纵坐标:求解的时间智能优化算法研究TSP,CVRP问题05101520253035求解时间OR-toolsSCIPCOPT02000

5、40006000800010000120001400016000求解距离OR-ToolsSCIPCOPT横坐标:数据集纵坐标:求解的最小距离横坐标:数据集纵坐标:求解的时间CVRP问题TSP问题在TSP问题上,每种算法的求解性能相似,Gurobi的收敛速度远远大于其他算法。在CVRP问题上,OR-Tools的收敛性和收敛速度均优于其他算法,SCIP和COPT的均达到最大求解时间横坐标:数据集纵坐标:求解的最小距离横坐标:数据集纵坐标:求解的时间智能优化算法研究VRPTW,割平面问题横坐标:数据集纵坐标:求解时间横坐标:数据集纵坐标:求解时间割平面问题VRPTW问题020040060080010

6、0012001400C101C201R101R201R202求解时间OR-ToolsSCIPCOPT020040060080010001200140016001800C101C201R101R201R202求解距离OR-ToolsSCIPCOPT0100200300400MIPLIB2017输入量1000*输出量1000Retro BranchingHybrid-learn2branch传统方法010203040MIPLIB2017输入量500*输出量1000Retro BranchingHybrid-learn2branch传统方法在VRPTW问题上,OR-Tools的收敛性和收敛速度均优于

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文主要介绍了智能运筹算法在多个领域的应用,包括移动边缘计算系统、铁路运行图编制、原油供应链等。 1. 在移动边缘计算系统中,作者提出了一种基于多智能体Restless Multi-Arm Bandit问题的方法,通过构建多层马尔可夫决策过程(MDP),证明了多层MDP满足Intra-indexability,并提出了nested index策略,理论和仿真均证明提出算法的渐近最优性。 2. 在铁路运行图编制中,作者提出了一种基于强化学习的智能调整方法,通过设计基础动作集、冲突消解算子集和强化学习算法,实现了对列车运行图的自动调整,提高了运行图编制的效率和质量。 3. 在原油供应链中,作者提出了一种基于分层框架和强化学习的智能决策算法,通过建立运筹算子层,进行中层决策,较少上层强化学习的优化难度,实现了对原油供应链的智能决策。 综上所述,本文通过智能运筹算法在多个领域的应用,提高了相关系统的效率和质量,为智能决策提供了新的思路和方法。
智能运筹算法如何应用于铁路运行图编制? 强化学习在移动边缘计算中如何提高信息新鲜度? 智能优化算法如何评估大语言模型在运筹学中的应用?
客服
商务合作
小程序
服务号
折叠