关于MILP的“预测-搜索”学习优化算法


报告题目：关于MILP的“预测-搜索”学习优化算法

报告专家：孙若愚（香港中文大学（深圳））

报告时间：2023年5月12日（星期五）11:00-12:00

报告地点：西南中心516

报告摘要：

混合整数线性规划(Mixed-Integer Linear Programming, MILP)被广泛应用于无线通信、电力网络等领域。在现实生产生活中，来自相同问题集的相似MILP问题会被大量求解，但是这些MILP问题之间存在的通性却常常被忽略。机器学习方法可以帮助我们从求解这些相似问题的过程中发掘并总结出规律。在此工作中，我们将机器学习中常见的图神经网络与传统优化算法相结合并提出了一种新颖的“预测-搜索“(Predict-and-Search)算法框架以高效寻找MILP问题的高质量可行解。具体来说，我们首先通过图神经网络预测变量在问题解空间上的边际概率分布，然后基于此分布，在一个适当定义的子空间上搜索高质量可行解。我们展示了该算法框架优于已有的同类型方法；同时我们也在四个公开MILP数据集上进行了大量数值实验，并且在与SOTA优化求解器SCIP和Gurobi的对比中获得了51%和9%的性能提升。

专家简介：

孙若愚现为香港中文大学（深圳）数据科学学院长聘副教授、博士生导师。此前他于2017年至2022年任伊利诺伊大学香槟分校（UIUC）助理教授、博士生导师，2016年任脸书人工智能研究所全职访问科学家，2015-2016年任斯坦福大学博士后研究员。他2015年在美国明尼苏达大学电子与计算机工程系获得博士学位，2009年在北京大学数学科学学院基础数学系获得本科学位。他的主要研究领域为人工智能和机器学习、数学优化理论与算法、无线通信和信号处理等，具体研究方向包括神经网络理论和算法、生成模型、大数据优化算法、学习优化、通信网络容量理论与优化算法等。他曾获得INFORMS(国际运筹与管理协会) George Nicolson学生论文竞赛第二名，以及INFORMS优化协会学生论文竞争荣誉奖。在人工智能与机器学习会议NeurIPS, ICML, ICLR, AISTATS，顶尖信息论与通信杂志IEEE transaction on information theory, IEEE Signal Processing Magazine, Journal of Selected Areas in Communications，顶尖数学优化与运筹杂志Mathematical Programming, SIAM Journal on Optimization, Math of Operations Research等会议与杂志发表数十篇文章。目前担任NeurIPS, ICML, ICLR, AISTATS等人工智能会议的领域主席，Transaction on Machine Learning Research的action edtor.

邀请人：宋恩彬

[lecture]孙若愚-01.png