BriefGPT - AI 论文速递
·
全局优化：机器学习方法
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束，并利用其他可转化为MIO的机器学习模型逼近原问题，采用自适应采样方法获得更准确的约束近似，利用鲁棒优化考虑样本依赖性训练的不确定性，并使用松弛方法处理MIO近似的不可行性。在81个全局优化实例中测试了增强的框架，并与BARON进行了比较，在11个实例中显示了更好的最优间隙或解决时间。
🎯
关键要点
- 本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束。
- 利用其他可转化为MIO的机器学习模型逼近原问题，包括梯度提升树、多层感知器和支持向量机。
- 采用自适应采样方法获得更准确的基于机器学习的约束近似。
- 利用鲁棒优化考虑样本依赖性训练的不确定性。
- 使用松弛方法处理MIO近似的不可行性。
- 在81个全局优化实例中测试了增强的框架，展示了解的可行性和最优性的改进。
- 与BARON进行比较，在11个实例中显示了更好的最优间隙或解决时间。
➡️
