ICML 2023 | 清华团队提出使用低维优化求解器求解高维/大规模优化问题

在 2023 年 7 月即将召开的机器学习领域知名国际会议 ICML 2023 中，清华大学计算机系徐华老师团队以长文的形式发表了采用低维优化求解器求解高维/大规模优化问题的最新研究成果（论文标题“GNN&GBDT-Guided Fast Optimizing Framework for Large-scale Integer Programming”）。

本项研究针对工业界对于大规模整数规划问题的高效求解需求，提出了基于图卷积神经网络和梯度提升决策树的三阶段优化求解框架，探索了仅使用小规模、免费、开源的优化求解器求解只有商用优化求解器才能解决的大规模优化问题的道路，在电力系统、物流配送、路径规划等诸多应用领域中均具有潜在的应用价值。

文章标题：

GNN&GBDT-Guided Fast Optimizing Framework for Large-scale Integer Programming

关键词：

图神经网络，神经下潜，决策树，优化，大规模整数规划

文章链接：

https://openreview.net/forum?id=tX7ajV69wt

团队优化成果简介：

http://aiforscience.iuumatrix.com/

求解框架代码与大规模实验结果下载（GitHub和Hugging Face）：

https://github.com/thuiar/GNN-GBDT-Guided-Fast-Optimizing-Framework

https://huggingface.co/THUIAR/GNN-GBDT-Guided-Fast-Optimizing-Framework

研究背景

现实生活和工业领域中很多问题都可以抽象为一类工程优化问题，例如对于外卖员的调度问题是大规模优化领域中一类典型的高维整数规划问题。对于大规模整数规划问题求解方法的研究，在电力系统调度、物流配送规划、路径规划等诸多实际应用领域，具有重要广阔的应用前景和商业价值。

然而，由于免费开源的学术和商用求解器的能力限制，目前对于以大规模整数规划问题为代表的高维优化问题的求解，通常依赖于商用求解器，一方面具有较高的计算成本和代价，另一方面计算结果常常难以再进一步的优化。大规模优化求解器的研制也是我们在科学计算领域所面临又一“卡脖子”问题。

近年来，基于神经下潜的策略实现优化问题的求解为利用人工智能领域的最新成果实现对于大规模优化问题的求解开辟了一条崭新的实现路径。

为充分利用已有的学术、商用开源的优化求解器在低维优化问题的求解能力，同时提升其在大规模优化求解的能力，清华大学计算机系徐华老师团队，针对大规模整数规划问题这一典型的高维优化问题，提出了一种融合神经下潜、梯度决策树和大邻域搜索策略的大规模整数规划问题的求解方法，该方法可以有效利用当前免费、开源和低维的学术优化求解器（SCIP）和商用优化求解器（Gurobi 免费版）实现对于大规模整数规划问题的高效求解。

实验表明，该框架可以仅使用原问题规模 30% 大小的求解器解决百万级别的整数规划问题，并且在相同的运行时间下能够得到比商用优化求解器 Gurobi 和学术优化求解器 SCIP 更好的结果。此外，在部份优化问题上，该框架还能够节约 99% 的运行时间以达到和 SCIP 相同的求解质量，进一步验证了该方法在解决大规模整数规划问题时的有效性和高效性。

方法简介

针对大规模整数规划问题这一典型的高维优化问题，清华研究团队提出了一种融合神经下潜、梯度决策树和大邻域搜索策略的大规模整数规划问题的求解方法。该方法在求解大规模整数规划优化问题时，如图 1 所示，可以简单地分为三个阶段：多任务图神经网络编码阶段、梯度提升决策树预测阶段和邻域优化阶段。

在多任务图神经网络编码阶段，首先将整数规划问题表示为二分图的形式并使用图划分算法（FENNEL）将二分图进行划分，接着使用具有半卷积结构的多任务图神经网络来学习决策变量的神经编码表示，其中损失函数将同时考虑该问题最优解值和图划分结果的度量函数。

在梯度提升决策树预测阶段，使用梯度提升决策树通过神经编码结果来预测整数规划问题中对应的决策变量的最优解值，并同时生成邻域划分的指导信息。在邻域优化阶段，大部分决策变量被固定为梯度提升决策树预测结果的舍入值，而剩余的决策变量则使用固定半径搜索来找到初始解值。

在邻域划分结果的指导下，使用固定搜索半径的邻域搜索和邻域间解的小规模交叉来迭代改进当前解，直至达到预设的终止时间或终止条件。实验结果表明，研究团队所提出的方法可以有效地解决大规模整数规划问题，具有很高的实用价值。

▲ 图1 融合神经下潜、梯度决策树和大邻域搜索策略的大规模整数规划问题的求解方法框图

实验结果

为了验证融合神经下潜、梯度决策树和大邻域搜索策略的大规模整数规划问题求解方法的有效性，研究团队在四个标准优化问题（组合拍卖（CA）、最大独立集（MIS）、最小点覆盖（MVC）和集合覆盖（SC））以及真实互联网领域的实际问题（IP）上进行了测试，学术求解器 SCIP 和商用求解器 Gurobi 作为对比的大规模基线求解算法，并使用它们的规模受限版本作为优化阶段的小规模求解器，进行了全面的对比实验，以展示所提出优化求解方法的优势。

重要实验结果如下所示。

实验一：相同运算时间下，与 SCIP、Gurobi 的计算结果对比

实验二：相同优化目标下，与 SCIP、Gurobi 的计算时间对比

实验三：相同计算时间下，与 SCIP、Gurobi 的小规模问题求解结果对比

实验四：相同优化结果下，与 SCIP、Gurobi 在小规模问题上求解时间对比

创新总结

针对大规模整数规划为代表的一类高维优化问题，清华研究团队所提出的基于图卷积神经网络和梯度提升决策树的优化求解框架是一种高效且具有突破性的求解方法。与经典优化方法相比，在实际问题求解上呈现了如下几个方面的核心创新：

• 在 AI for Science 领域研究了一种基于神经下潜策略的大规模优化问题的有效求解方法；

• 实现了使用当前免费、开源和小规模优化求解器对于大规模优化问题（整数规划问题为例）的求解，无论在求解的精度和求解效率上均优于目前的商用优化求解器和学术优化求解器。

• 为混合整数规划问题、组合优化等其它类型的大规模优化问题求解指明了一条崭新的、高效的、可行的、低成本的优化求解思路。

• 未来在超大规模、多目标、动态、非线性约束等为特征的优化难题上具有高效求解的潜力和应用价值。

合作联络：[e-mail]

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·