30、预测与优化：解决调度和回归问题的新途径

预测与优化：解决调度和回归问题的新途径

在当今的机器学习和组合优化领域，如何高效地解决复杂问题一直是研究的热点。本文将深入探讨两个重要的研究方向：预测最优周期以优化调度问题，以及提出可扩展的近最优聚类回归方法。

预测最优周期助力调度问题解决

在调度问题中，循环提升机调度问题（CHSP）是一个具有挑战性的组合优化问题，其目标是找到一个可行的提升机调度方案，以最小化周期 $p$。为了提高 CP - SAT 求解器的效率，研究人员采用了预测 - 优化的方法。

实验结果分析

• 随机实例的求解情况 ：使用预测边界 $B_{pred}$ 时，在大多数情况下，$B_{pred}$ 的上下界比计算边界 $B_{calc}$ 更紧密。对于 $\pm5\%$ 边界，98.3% 的情况下 $B_{pred}$ 更优；对于 $\pm20\%$ 边界，90.2% 的情况如此。而且，$B_{pred}$ 包含原始 $p_{calc}$ 的比例也很高，$\pm5\%$ 边界时为 85.9%，$\pm20\%$ 边界时为 97.1%。
  • 可解实例的比例：$\pm5\%$ 边界时，89.9% 的实例有可行解，86.1% 的实例有最优解；$\pm20\%$ 边界时，这两个比例分别为 97.3% 和 92.2%。
  • 找到原始 $p_{calc}$ 的比例：$\pm5\%$ 边界时为 85.0%，$\pm20\%$ 边界时为 96.1%。
  • 满足条件的实例比例：原始求解器为 5.4%，$\pm5\%$ 边界为 4.2%，$\pm20\%$ 边界为 5.3%。