CN115329982A - 可行解的启发式策略调度方法、装置、设备和介质 - Google Patents
可行解的启发式策略调度方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115329982A CN115329982A CN202210981192.3A CN202210981192A CN115329982A CN 115329982 A CN115329982 A CN 115329982A CN 202210981192 A CN202210981192 A CN 202210981192A CN 115329982 A CN115329982 A CN 115329982A
- Authority
- CN
- China
- Prior art keywords
- heuristic
- strategy
- solving
- heuristic strategy
- feasible solution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供了一种可行解的启发式策略调度方法、装置、设备、介质、程序产品和求解器,涉及运筹优化技术领域,尤其涉及大数据和人工智能技术。具体实现方案为:根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;将所述排序的结果作为调度所述各启发式策略的优先级。本公开可以为不同类型的待求解问题确定更加匹配的优先级调度策略,具有良好的泛化能力,从而在不同的类型和场景中提升可行解的求解效率。
Description
技术领域
本公开涉及运筹优化技术领域,尤其涉及大数据和人工智能技术,具体涉及一种可行解的启发式策略调度方法、装置、设备、介质、程序产品和求解器。
背景技术
混合整数规划(Mixed Integer Programming,MIP)是运筹优化领域中非常重要的一类问题。在使用求解器求解MIP问题的过程中,通常是基于可行解与松弛解之间的gap来衡量整体的求解质量并决定是否继续求解。
现有技术中的求解器(例如scip)通常嵌入了数十种不同的构建可行解的启发式策略,例如diving(下潜)、rounding(取整)、近邻搜索等。求解器在分支定界过程中,会按照预设的优先级依次执行不同的启发式策略,直到某个策略找到一个更好的可行解或者达到预定的时限。因此,在分支定界的过程中,如何更好地确定各启发式策略的优先级,以对各启发式策略进行调度,对求解器整体的求解效率和求解质量均有较大的影响。
发明内容
本公开提供了一种可行解的启发式策略调度方法、装置、设备、介质、程序产品和求解器。
根据本公开的一方面,提供了一种可行解的启发式策略调度方法,包括:
根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;
将所述排序的结果作为调度所述各启发式策略的优先级。
根据本公开的另一方面,提供了一种可行解的启发式策略调度装置,包括:
排序模块,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;
优先级确定模块,用于将所述排序的结果作为调度所述各启发式策略的优先级。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任意实施例所述的可行解的启发式策略调度方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本公开任意实施例所述的可行解的启发式策略调度方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任意实施例所述的可行解的启发式策略调度方法。
根据本公开的另一方面,提供了一种求解器,包括:
可行解优化模块,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;将所述排序的结果作为调度所述各启发式策略的优先级;
求解模块,用于利用分支定界法求解所述待求解问题,并在分支定界的每个节点调用所述可行解优化模块,获取与所述节点对应的各启发式策略的优先级,在所述节点按照所述优先级进行各启发式策略的调度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的可行解的启发式策略调度方法的示意图;
图2是根据本公开实施例的可行解的启发式策略调度方法中排序模型的训练过程的示意图;
图3是根据本公开实施例的可行解的启发式策略调度方法中排序模型的网络架构示意图;
图4是根据本公开实施例的可行解的启发式策略调度装置的示意图;
图5是根据本公开实施例的求解器的示意图;
图6是用来实现本公开实施例的可行解的启发式策略调度方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在求解MIP问题的过程中,关于如何确定各启发式策略的优先级,现有技术中通常是基于固定优先级的方案或者基于数据驱动的优先级配置方案。
对于基于固定优先级的方案,是在开源求解器(如SCIP)中,为不同的启发式策略都预设固定优先级。其中,不同策略的优先级是基于它们在不同类型的MIP问题上的平均求解效果所设置的。在求解不同类型的MIP问题时,SCIP均会自动加载这套默认的优先级。但是,这种基于固定优先级的方案在一些特定场景的求解效果并不好。
对于基于数据驱动的优先级配置方案,是先采集不同启发式策略的求解数据,记录执行启发式策略的求解效果(例如构建出更好可行解的耗时);然后基于采集到的数据求解一个调度问题;基于调度问题的解,给不同启发式策略设置优先级以及执行时限。在这种方法中,一方面,为了不让数据采集模块影响SCIP默认的求解过程,需要对SCIP进行定制化的调整,因此,若想把这套方案应用到其他的求解器上,例如cplex(一种数学优化技术)或者gruobi(大规模数学规划优化器)等,均需要进行定制化开发,这导致整体的使用成本会比较大。另一方面,这套方案本质上是通过求解一个通用的调度问题来给不同类型的MIP问题设置一套合适的调度方案(不同启发式策略的优先级),这就会导致这套方案的迁移能力比较有限,也即:基于类型1的MIP问题构建了一套调度方案后,若将其直接迁移到类型2的MIP问题上,最终的求解效果可能也比较一般。
面对上述问题,本公开通过刻画待求解问题特性跟合适的优先级配置的相关性,从而实现待求解问题粒度的优先级配置构建,使其具有较好地跨类型/场景迁移能力。
图1是根据本公开实施例的可行解的启发式策略调度方法的流程示意图,本实施例可适用于求解整数规划问题时对启发式策略进行调度的情况,例如,求解混合整数规划(MIP)问题时如何确定各启发式策略的优先级,涉及运筹优化技术领域,尤其涉及大数据和人工智能技术。该方法可由一种可行解的启发式策略调度装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备或服务器等。如图1所示,该方法具体包括如下:
S101、根据待求解问题的特征和各启发式策略的特征确定各启发式策略与待求解问题的相关度,并根据相关度对各启发式策略进行排序,其中,相关度用于衡量待求解问题在分支定界的不同求解状态下,各启发式策略的可行解求解结果的质量。
S102、将排序的结果作为调度各启发式策略的优先级。
其中,待求解问题是通过求解器利用分支定界法,在分支定界过程中按照预设的优先级依次执行不同的启发式策略,直到某个策略找到一个更好的可行解或者达到预定的时限,该更好的可行解将作为所述待求解问题的最终解。例如,所述待求解问题可以是整数规划类问题中的混合整数规划问题MIP。
为了提升调度方法的泛化能力,使其对不同类型的MIP等待求解问题均适用,本公开实施例将调度问题转化为排序问题,即按照排序位次给不同的启发式策略设置优先级。而排序的依据就是待求解问题在分支定界的不同求解状态下,各启发式策略的可行解求解结果的质量。也就是说,如果能够衡量某个目标待求解问题的不同求解状态下各启发式策略的可行解求解结果的质量,那么在求解与该目标待求解问题类似的问题,并且处于类似的求解状态下时,就可以按照该求解质量的高低来为各启发式策略配置优先级。
因此,本公开实施例从待求解问题和各启发式策略中提取特征,特征能够唯一地标识待求解问题和启发式策略的独有特点。然后,根据待求解问题的特征和各启发式策略的特征确定各启发式策略与待求解问题的相关度,例如,可以基于各启发式策略对不同MIP问题的历史求解情况,以及这些启发式策略和不同MIP问题的特征情况,学习得到各启发式策略与待求解问题之间的这种相关度,也即,具有哪些特征的MIP问题,以及在其求解的哪种阶段,使用具有哪些特征的启发式策略,其求解效果更好。而由于相关度可以用于衡量待求解问题在分支定界的不同求解状态下,各启发式策略的可行解求解结果的质量,因此,根据相关度的大小就可以对各启发式策略进行排序。相关度更大的启发式策略排序靠前,表示其在当前求解状态下求解到可行解的质量更好。其中,可行解的求解结果的质量可以根据求解时间和可行解与松弛解之间的gap来衡量,衡量的具体方式可以按照现有技术进行,本公开实施例对此不做任何限定。而在得到排序结果之后,就可以将排序的结果作为调度各启发式策略的优先级,由求解器按照该优先级依次执行各启发式策略。
本公开实施例的技术方案,根据待求解问题的特征和各启发式策略的特征确定各启发式策略与待求解问题的相关度,通过相关度来衡量待求解问题在分支定界的不同求解状态下,各启发式策略的可行解求解结果的质量,然后就可以根据相关度对各启发式策略进行排序,并将排序的结果作为调度各启发式策略的优先级。由此,通过刻画待求解问题特性跟合适的优先级配置的相关性,从而实现待求解问题粒度的优先级配置构建,使其具有较好地跨类型/场景迁移能力,为不同类型的MIP问题确定更加匹配的优先级调度策略,提升泛化能力,在不同类型和场景中提升MIP问题的求解效率。
在一种实施方式中,所述待求解问题的特征包括:待求解问题的原始问题中各个变量类型和约束类型的占比,以及根据待求解问题的类型预定义的分类特征。
其中,原始问题是指MIP等待求解问题在执行分支定界方法前的原始问题,是相对分支定界过程中每个节点的松弛问题而言的。变量类型是指待求解问题中所涉及的变量的类型,以求解MIP问题为例,可以包括0-1的整数变量、普通整数变量和连续变量等。约束类型是指待求解问题中的各个约束条件的类型,可以是任意的线性约束或非线性约束,本公开实施例对此不作任何限定。分类特征是根据待求解问题的类型预定义的,例如根据MIP问题本身的分类来定义,包括装箱、路径规划等类型。且上述各个变量类型和约束类型的占比以及分类特征,都可以以one-hot编码形式存在。
此外,待求解问题的特征还可以包括:在分支定界的任意节点的子问题中,各个变量类型和约束类型的占比,以及该任意节点所处的决策深度。
其中,待求解问题的求解过程是一个动态的过程,分支定界过程中,每个节点下的子问题均各不相同,因此,如果能学习到不同求解状态下各启发式策略对各个子问题的求解情况,则更加有利于确定启发式策略与待求解问题的相关度。本公开实施例中,则将在分支定界的任意节点的子问题中各个变量类型和约束类型的占比,以及该任意节点所处的决策深度,也作为待求解问题的特征进行提取和学习。
进一步的,待求解问题的特征还可以包括:在分支定界的不同求解状态下,使用各启发式策略得到可行解,并且得到的可行解的质量得到提升的累计次数和累计提升幅度;以及在分支定界的不同求解状态下,使用各启发式策略没有得到可行解的累计次数。
具体的,在动态的求解过程中,本公开实施例进一步将历史求解过程中,不同可行解的启发式策略的求解情况也作为特征进行考虑,从而进一步学习启发式策略与问题的相关度。其中,求解情况可以划分为离散型特征和连续性特征。离散型特征包括可行解的累计提升次数,以及没有获取可行解的累计次数。例如,在可行解的累计提升次数的特征向量[1,0,1,1,5,4]中,第一个1则表示在不同的求解状态下(指针对不同的子问题),使用启发式策略1进行求解,使得最终得到可行解,并且得到的可行解的质量得以提升的次数,累计为1。在没有获取可行解的累计次数的特征向量[0,1,2,3,4,4]中,最后一个4则表示在不同的求解状态下使用启发式策略6没有得到可行解,且累计次数为4次。以此类推,可以根据每个启发式策略在不同的求解状态下的求解情况,构建出其各自的可行解的累计提升次数和没有获取可行解的累计次数对应的特征向量。而连续型特征则是指可行解的累计特征幅度,也即将各启发式策略的可行解的累计特征次数除以求解子问题的次数,就可以得到该连续型特征。
可见,在上述待求解问题的特征中,待求解问题的原始问题中各个变量类型和约束类型的占比,以及根据待求解问题的类型预定义的分类特征,属于待求解问题的静态特征,与待求解问题本身有关。而在分支定界的任意节点的子问题中,各个变量类型和约束类型的占比,以及该任意节点所处的决策深度,以及根据历史求解过程中不同可行解的启发式策略的求解情况确定的特征,则属于动态特征,与求解过程有关。通过从静态特征和动态特征两个方面来学习启发式策略与待求解问题的相关度,以及根据这些特征确定各个启发式策略与待求解问题的相关度,则可以实现更加全面的特征分析,计算出来的相关度也更加准确。当然,本公开实施例对待求解问题的特征的种类和构建方式不做任何限定,任何可以用于表示待求解问题的特征都在本公开的保护范围之内。
对于启发式策略的特征,则可以至少包括静态特征和通用embedding特征两种。其中,启发式策略的静态特征可以包括:根据各启发式策略的类型预定义的类型特征,以及根据各启发式策略的默认优先级确定的优先级特征。启发式策略的通用embedding特征则包括:基于各启发式策略的唯一性配置的共享特征,其中,共享特征通过低维稠密向量表示。
具体的,以求解MIP问题为例,在其开源求解器SCIP中,总共有50多种可行解启发式策略。其中,可以按照策略的原理将其分为不同的类别,例如diving(下潜)类、rounding(取整)类、LNS类等。考虑启发式策略的适用场景跟其原理也存在一定的相关性,因此,本公开实施例将启发式策略的类型作为一种静态特征,并以one-hot的形式构建。同时,在开源求解器SCIP中,不同的启发式策略均有默认的优先级。因此,还可以将该默认优先级也作为启发式策略的一种静态特征。通用embedding特征是指,给不同启发式策略设置一个K维的低维稠密向量(类似word2vec算法中的word embedding,即这个向量在训练过程中可以变化),而且,不同类型的MIP问题会共享相同的embedding特征,即作为一种共享特征。
图2是根据本公开实施例的可行解的启发式策略调度方法中排序模型的训练过程的示意图,本实施例在上述实施例的基础上,进一步优化为:利用预先训练的排序模型,根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序。也即,在本实施例中,利用机器学习的方法学习历史求解过程中各个启发式策略与待求解问题的相关度,然后利用训练得到的排序模型对当前待求解问题进行各启发式策略的排序,从而确定求解当前待求解问题的过程中各个启发式策略的优先级。
接下来以待求解问题为MIP问题为例,对排序模型的训练过程做出具体描述。如图2所示,排序模型的训练过程具体包括如下:
S201、采集多个历史已求解问题在分支定界的不同求解状态下,各启发式策略的可行解求解结果。
S202、根据可行解求解结果构建各启发式策略的排序结果标签。
S203、分别提取多个历史已求解问题的特征和各启发式策略的特征,根据提取的特征和排序结果标签构建训练样本。
S204、利用训练样本训练排序模型。
具体的,考虑到本公开实施例的目标是拟合一个排序模型,因此需要基于求解器收集不同MIP问题在不同求解状态下,不同启发式策略的求解结果,该求解结果包括是否在规定时间内获取到了更好的可行解,并衡量该可行解的质量。然后基于数据采集结果构建排序结果标签。例如,对于得到可行解并且可行解的质量更高的启发式策略,其排序结果更加靠前。
在一种实施方式中,排序模型可以采用learning to rank类模型。而排序模型的训练过程则可以采用文档对(PairWise)方法进行优化。相应的,各启发式策略的排序结果标签则用于表示任意两个启发式策略组成的策略对是否满足顺序关系。具体的,使用PairWise的优化思路,判断任意2个启发式策略组成的策略对(q1,q2)是否满足顺序关系(基于收集到的求解结果),即策略q1是否应该排在q2前面(代表着q1的优先级要高于q2)。例如,使用{+1,0,-1}这3类标签作为排序结果标签来衡量策略对(q1,q2)的衡量顺序关系。其中,+1代表策略q1的优先级要高于q2,-1代表q1的优先级要低于q2,而0则代表q1的优先级跟q2的优先级接近,而是否接近可以通过策略q1和策略q2的求解结果的质量之差是否满足预设条件来衡量。采用PairWise方法优化训练过程,可以提升训练样本的利用率以及训练效率。
按照上述方式构建排序结果标签,并分别提取多个历史已求解问题的特征和各启发式策略的特征,然后根据提取的特征和排序结果标签构建训练样本,并基于该训练样本训练排序模型。也即,将提取的特征作为模型的输入,将构建的排序结果标签作为模型的输出来进行训练。其中,提取的已求解问题的特征和各启发式策略的特征与上述实施例中描述的特征相同,此处不再赘述。
图3是根据本公开实施例的可行解的启发式策略调度方法中排序模型的网络架构示意图。如图3所示,排序模型的网络结构中包括全连接层和拼接层,通过该网络分别对启发式策q1、q2的静态特征和共享特征进行合并,得到合并特征merege_emb_q1和merege_emb_q2,同时,对MIP问题m的静态特征和动态特征进行合并,得到m的合并特征merege_emb_m。然后,网络进一步计算出merege_emb_q1、merege_emb_q2各自与merege_emb_m的相关度,得到q1_score和q2_score。最后通过计算q1_score和q2_score的Sigmoid函数得到最终的结果。如果模型训练的结果标签为{+1,0,-1},那么如果Sigmoid函数的计算结果接近+1,则表示策略q1的优先级要高于q2,如果更加接近-1,则表示q1的优先级要低于q2,如果更加接近0,则表示q1的优先级跟q2的优先级接近。排序模型通过对任意两个启发式策略进行相关度计算,从而最终得到所有启发式策略的排序结果。
本公开实施例的技术方案,利用机器学习的方法学习历史求解过程中各个启发式策略与待求解问题的相关度,然后利用训练得到的排序模型对当前待求解问题进行各启发式策略的排序,从而确定求解当前待求解问题的过程中各个启发式策略的优先级。不仅可以实现MIP问题粒度的优先级调度,为不同类型的MIP问题确定更加匹配的优先级调度策略,使得该调度方法能够进行更好的跨类型和场景迁移,具有良好的泛化性,在不同类型和场景中提升MIP问题的求解效率。此外,在求解过程中通过调用训练好的排序模型即可获取各启发式策略的排序结果,无需像现有技术那样对求解器进行定制化调整,避免了方案使用成本的增加。
图4是根据本公开实施例的可行解的启发式策略调度装置的示意图,本实施例可适用于求解整数规划问题时对启发式策略进行调度的情况,例如,求解混合整数规划(MIP)问题时如何确定各启发式策略的优先级,涉及运筹优化技术领域,尤其涉及大数据和人工智能技术。该装置可实现本公开任意实施例所述的可行解的启发式策略调度方法。如图4所示,该装置400具体包括:
排序模块401,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;
优先级确定模块402,用于将所述排序的结果作为调度所述各启发式策略的优先级。
可选的,所述待求解问题的特征包括:
所述待求解问题的原始问题中各个变量类型和约束类型的占比,以及根据所述待求解问题的类型预定义的分类特征。
可选的,所述待求解问题的特征包括:
在所述分支定界的任意节点的子问题中,各个变量类型和约束类型的占比,以及所述任意节点所处的决策深度。
可选的,所述待求解问题的特征包括:
在所述分支定界的不同求解状态下,使用所述各启发式策略得到可行解,并且得到的可行解的质量得到提升的累计次数和累计提升幅度;以及
在所述分支定界的不同求解状态下,使用所述各启发式策略没有得到可行解的累计次数。
可选的,所述启发式策略的特征包括:
根据所述各启发式策略的类型预定义的类型特征,以及根据所述各启发式策略的默认优先级确定的优先级特征。
可选的,所述启发式策略的特征包括:
基于所述各启发式策略的唯一性配置的共享特征,其中,所述共享特征通过低维稠密向量表示。
可选的,所述排序模块具体用于:
利用预先训练的排序模型,根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序。
可选的,所述装置还包括排序模型训练模块,具体用于:
采集多个历史已求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果;
根据所述可行解求解结果构建所述各启发式策略的排序结果标签;
分别提取所述多个历史已求解问题的特征和各启发式策略的特征,根据所述提取的特征和所述排序结果标签构建训练样本;
利用所述训练样本训练所述排序模型。
可选的,所述排序模型的训练过程是采用文档对方法进行优化的;
相应的,所述各启发式策略的排序结果标签用于表示任意两个启发式策略组成的策略对是否满足顺序关系。
可选的,所述待求解问题为混合整数规划问题。
图5是根据本公开实施例的求解器的示意图。如图5所示,求解器500包括:
可行解优化模块501,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;将所述排序的结果作为调度所述各启发式策略的优先级;
求解模块502,用于利用分支定界法求解所述待求解问题,并在分支定界的每个节点调用所述可行解优化模块,获取与所述节点对应的各启发式策略的优先级,在所述节点按照所述优先级进行各启发式策略的调度。
在一种实施方式中,该求解器可以是求解MIP问题的SCIP、cplex或gruobi等求解器。将训练好的排序模型作为MIP求解器中的可行解优化模块,求解器在利用分支定界法对待求解问题进行求解的过程中,每到一个节点,就会调用该可行解优化模块,并将当前节点对应的MIP问题特征和各启发式策略特征作为模型输入,利用排序模型输出各启发式策略的排序结果,也即优先级结果。然后,求解器便按照该优先级进行各启发式策略的调度,从而求解每一个子问题,并最终得到原始问题的解。关于特征的选择和模型的训练过程,已经在上述各实施例中描述,此处不再赘述。
本公开实施例的技术方案,无需对求解器进行定制化开发,只需要预先训练一个排序模型,将启发式策略的调度问题转化为排序问题,利用排序模型根据待求解问题的特征和各启发式策略的特征确定各启发式策略与待求解问题的相关度,通过相关度对各启发式策略进行排序,并将排序的结果作为调度各启发式策略的优先级。由此,通过刻画待求解问题特性跟合适的优先级配置的相关性,从而实现待求解问题粒度的优先级配置构建,使其具有较好地跨类型/场景迁移能力,为不同类型的MIP问题确定更加匹配的优先级调度策略,提升泛化能力,在不同类型和场景中提升求解器求解MIP问题的求解效率。
上述产品可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如可行解的启发式策略调度方法。例如,在一些实施例中,可行解的启发式策略调度方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的可行解的启发式策略调度方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行可行解的启发式策略调度方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种可行解的启发式策略调度方法,包括:
根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;
将所述排序的结果作为调度所述各启发式策略的优先级。
2.根据权利要求1所述的方法,其中,所述待求解问题的特征包括:
所述待求解问题的原始问题中各个变量类型和约束类型的占比,以及根据所述待求解问题的类型预定义的分类特征。
3.根据权利要求1所述的方法,其中,所述待求解问题的特征包括:
在所述分支定界的任意节点的子问题中,各个变量类型和约束类型的占比,以及所述任意节点所处的决策深度。
4.根据权利要求1所述的方法,其中,所述待求解问题的特征包括:
在所述分支定界的不同求解状态下,使用所述各启发式策略得到可行解,并且得到的可行解的质量得到提升的累计次数和累计提升幅度;以及
在所述分支定界的不同求解状态下,使用所述各启发式策略没有得到可行解的累计次数。
5.根据权利要求1所述的方法,其中,所述启发式策略的特征包括:
根据所述各启发式策略的类型预定义的类型特征,以及根据所述各启发式策略的默认优先级确定的优先级特征。
6.根据权利要求1所述的方法,其中,所述启发式策略的特征包括:
基于所述各启发式策略的唯一性配置的共享特征,其中,所述共享特征通过低维稠密向量表示。
7.根据权利要求1所述的方法,其中,所述根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,包括:
利用预先训练的排序模型,根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序。
8.根据权利要求7所述的方法,其中,所述排序模型的训练过程包括:
采集多个历史已求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果;
根据所述可行解求解结果构建所述各启发式策略的排序结果标签;
分别提取所述多个历史已求解问题的特征和各启发式策略的特征,根据所述提取的特征和所述排序结果标签构建训练样本;
利用所述训练样本训练所述排序模型。
9.根据权利要求8所述的方法,其中,所述排序模型的训练过程是采用文档对方法进行优化的;
相应的,所述各启发式策略的排序结果标签用于表示任意两个启发式策略组成的策略对是否满足顺序关系。
10.根据权利要求1所述的方法,其中,所述待求解问题为混合整数规划问题。
11.一种可行解的启发式策略调度装置,包括:
排序模块,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;
优先级确定模块,用于将所述排序的结果作为调度所述各启发式策略的优先级。
12.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的可行解的启发式策略调度方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的可行解的启发式策略调度方法。
14.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令在被处理器执行时实现根据权利要求1-10中任一项所述的可行解的启发式策略调度方法。
15.一种求解器,包括:
可行解优化模块,用于根据待求解问题的特征和各启发式策略的特征确定所述各启发式策略与待求解问题的相关度,并根据所述相关度对所述各启发式策略进行排序,其中,所述相关度用于衡量所述待求解问题在分支定界的不同求解状态下,所述各启发式策略的可行解求解结果的质量;将所述排序的结果作为调度所述各启发式策略的优先级;
求解模块,用于利用分支定界法求解所述待求解问题,并在分支定界的每个节点调用所述可行解优化模块,获取与所述节点对应的各启发式策略的优先级,在所述节点按照所述优先级进行各启发式策略的调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981192.3A CN115329982A (zh) | 2022-08-16 | 2022-08-16 | 可行解的启发式策略调度方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981192.3A CN115329982A (zh) | 2022-08-16 | 2022-08-16 | 可行解的启发式策略调度方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115329982A true CN115329982A (zh) | 2022-11-11 |
Family
ID=83923037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210981192.3A Pending CN115329982A (zh) | 2022-08-16 | 2022-08-16 | 可行解的启发式策略调度方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329982A (zh) |
-
2022
- 2022-08-16 CN CN202210981192.3A patent/CN115329982A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764A (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN114648676B (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN113722493A (zh) | 文本分类的数据处理方法、设备、存储介质及程序产品 | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN115329982A (zh) | 可行解的启发式策略调度方法、装置、设备和介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 | |
US20230140148A1 (en) | Methods for community search, electronic device and storage medium | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN113962382A (zh) | 训练样本的构建方法、装置、电子设备和可读存储介质 | |
CN115827893A (zh) | 技能培养知识图谱生成方法、装置、设备和介质 | |
CN114648672A (zh) | 构建样本图像集的方法、装置、电子设备及可读存储介质 | |
CN114547416A (zh) | 一种媒体资源排序方法及电子设备 | |
CN116150502A (zh) | 信息推荐方法、装置、设备及介质 | |
CN116188063A (zh) | 客群创建方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |