【技术实现步骤摘要】
本专利技术涉及混合整数优化求解器领域，尤其涉及一种提升工程问题决策和调度效率的方法。
技术介绍
1、组合优化问题被广泛应用于生产调度、芯片设计、路径规划以及其他工程领域。由于求解组合优化问题一般是np难的，因此求解组合优化问题通常极为耗时且计算代价高昂。主流的组合优化求解器，如分支定界求解器 scip和 gurobi，依赖于专家经验设计启发式策略，需要大量的人工调整和复杂的工作流程。为了加速组合优化求解器的开发和求解过程，近年来有不少研究开始尝试使用能快速推理的机器学习的智能求解器来学习和近似求解器中的启发式策略，并在和训练数据同分布的测试数据上实现了很好的加速效果。
2、然而，智能求解器在分布外（ood）的泛化能力仍然是实际应用中的重大挑战，特别是在处理由于复杂多变的环境引起的规模差异较大的实例时挑战尤为严重。在实际应用场景中，通常只有有限的训练分布可用，从其他分布中获取或生成更多数据可能由于信息安全问题或高昂数据获取成本变得不可行。例如，在公司的日常工作车间调度问题中，组合优化实例中包含了机器数量、加工时间、生产成本等机密商业信息。因此，公司不可能提供问题类别信息和大量的训练数据，以避免隐私泄露。这种设定下的实验表明，在分布偏移存在的情况下，特别是在较大的组合优化实例上，智能求解器的求解时间可能远长于传统启发式策略，这妨碍了其在实际应用中的实用性。现有的研究尝试通过从不同分布中生成实例，然后采用类似于域随机化的方法来提高智能求解器的泛化性。但是，当这些方法应用在主流的组合优化求解器时，存在一个严重的限制：即都需要
3、在实践中，大量的组合优化问题可被建模为用二分图表示的混合整数优化问题，即milp。且通过实验结果表明，在有限的训练分布上训练时，智能求解器往往会过拟合于同质且与任务无关的图局部结构，这导致其在未见过的数据分布上表现不佳，无法保证决策和调度类工程问题的求解效率。具体而言，专利技术人研究了图神经网络gnn方法用于分支定界算法中变量选择的任务，发现图神经网络学到的嵌入表征在不同的图规模和边密度的输入分布中是不稳定的，表明图神经网络对图结构扰动的敏感性，这样应用于决策和调度类工程问题求解中，在遇到更大规模的该类决策和调度类工程问题或者因为突发情况导致该类决策和调度类工程问题的约束结构及类型发生变化的情况下，图神经网络的输出也会发生严重偏移，导致求解时变量选择的质量出现严重下降，无法保证求解的效率，进而影响了决策和调度类工程问题决策和调度的效率。
4、有鉴于此，特提出本专利技术。
技术实现思路
1、本专利技术的目的是提供了一种提升工程问题决策和调度效率的方法、设备及存储介质，能通过对抗性数据增广的方式，提升智能求解器的训练样本效率和在更大规模混合整数优化问题实例上的求解效率，进而提升决策和调度类工程问题决策和调度效率，解决现有技术中存在的上述技术问题。
2、本专利技术的目的是通过以下技术方案实现的：
3、一种提升工程问题决策和调度效率的方法，用于通过智能求解器对同一类型的决策和调度类工程问题进行智能求解得出决策和调度结果，包括：
4、步骤1，从需求解的同一类型决策和调度类工程问题中，通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对应的混合整数优化问题的原始训练实例，用专家求解策略求解所述原始训练实例，并记录求解过程中的原始分支样本作为训练数据；
5、步骤2，采用增广网络对所述原始训练实例进行增广得到增广实例，用专家求解策略在所述增广实例上采集增广分支样本作为校正数据；
6、步骤3，用步骤1得到的所述训练数据和步骤2得到的所述校正数据训练更新所述智能求解器，记录所述智能求解器的训练信息作为所述增广网络的训练数据训练更新增广网络；
7、步骤4，重复步骤2和步骤3实现智能求解器与增广网络的对抗式训练，训练完成后得到提升训练样本效率和在更大规模实例上求解效率的智能求解器；
8、步骤5，用步骤4中得到的提升训练样本效率和在更大规模实例上求解效率的智能求解器对与步骤1的决策和调度类工程问题为同类型的待决策和调度类工程问题进行智能求解，得出决策和调度结果。
9、一种处理设备，包括：
10、至少一个存储器，用于存储一个或多个程序；
11、至少一个处理器，能执行所述存储器所存储的一个或多个程序，在一个或多个程序被处理器执行时，使得所述处理器能实现本专利技术所述的方法。
12、一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时能实现本专利技术所述的方法。
13、与现有技术相比，本专利技术所提供的提升工程问题决策和调度效率的方法、设备及存储介质，其有益效果包括：
14、通过将决策和调度类工程问题建模为对应的混合整数优化问题的原始训练实例，并经专家策略求解的原始分支样本得出训练数据，对训练数据通过增广网络进行数据增广来增强训练分布中图结构的多样性，进而缓解过拟合问题，与域随机化不同，本专利技术数据增广扰动图结构而不需要更多的训练问题实例，有利于模型更好地捕捉训练分布附近任务相关的不变性；通过用训练数据和图增广得到的校正数据以对抗式训练增广网络与智能求解器，提升了智能求解器训练样本效率和在更大规模实例上的求解效率，用该智能求解器求解决策和调度类工程问题时，提升了决策和调度类工程问题的决策和调度效率。
本文档来自技高网...【技术保护点】
1.一种提升工程问题决策和调度效率的方法，其特征在于，用于通过智能求解器对同一类型的决策和调度类工程问题进行智能求解得出决策和调度结果，包括：
2.根据权利要求1所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中的同一类型的决策和调度类工程问题为：
3.根据权利要求2所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中，若决策和调度类工程问题为有限容量设施选址问题，则按以下方式通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对应的混合整数优化问题的原始训练实例，包括：
4.根据权利要求2所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中，若决策和调度类工程问题为物资调度问题，则按以下方式通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对应的混合整数优化问题的原始训练实例，包括：
5.根据权利要求2所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中，若决策和调度类工程问题为芯片电路检验问题，则按以下方式通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对
6.根据权利要求1-5任一项所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤2中，采用增广网络通过遮掩实例二分图表征中的变量、约束和边的方式来对所述原始训练实例进行增广得到增广实例，包括：
7.根据权利要求6所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤3中，按以下方式记录所述智能求解器的训练信息作为所述增广网络的训练数据更新增广网络，包括：
8.一种处理设备，其特征在于，包括：
9.一种可读存储介质，其特征在于，存储有计算机程序，当计算机程序被处理器执行时能实现权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种提升工程问题决策和调度效率的方法，其特征在于，用于通过智能求解器对同一类型的决策和调度类工程问题进行智能求解得出决策和调度结果，包括：
2.根据权利要求1所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中的同一类型的决策和调度类工程问题为：
3.根据权利要求2所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中，若决策和调度类工程问题为有限容量设施选址问题，则按以下方式通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对应的混合整数优化问题的原始训练实例，包括：
4.根据权利要求2所述的提升工程问题决策和调度效率的方法，其特征在于，所述步骤1中，若决策和调度类工程问题为物资调度问题，则按以下方式通过专家建模和工程中的数据监视器采集决策和调度类工程问题所对应的混合整数优化问题的原始训练实例，包括：
5.根据权...
【专利技术属性】
技术研发人员：王杰，刘昊洋，匡宇飞，李希君，张勇东，吴枫，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。