LEO：学习多目标二进制决策图的高效排序
摘要：基于二进制决策图（BDDs）的方法最近在多目标整数规划问题上取得了最先进的结果。构建BDD时使用的变量排序对其大小和从松弛或限制BDD中推导出的边界的质量有重要影响，适用于单目标优化问题。我们首先展示了变量排序对多目标背包问题 Pareto 前沿（PF）枚举时间的类似影响，表明有必要推导出改善多目标BDD方法可扩展性的变量排序方法。为此，我们基于线性的一小组可解释和易于计算的变量特征，推导出了一个新的参数配置空间，该空间基于变量评分函数。我们展示了如何使用黑盒优化来高效探索配置空间，绕过维数灾难（变量和目标数），并找到减少PF枚举时间的良好排序。然而，黑盒优化方法会导致计算开销，这超过了由于良好变量排序而减少的时间。为了缓解这个问题，我们提出了 LEO，一种用于发现减少枚举时间的高效变量排序的监督学习方法。对具有 3-7 个目标和多达 80 个变量的背包问题的基准集进行的实验表明，LEO 比常见的排序策略和算法配置的PF枚举速度更快，速度提高了30-300%和10-200%。我们的代码和实例可在https://github.com/khalil-research/leo上获得。
作者：Rahul Patel, Elias B. Khalil
论文ID：2307.03171
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-07