- 博客(140)
- 收藏
- 关注
RSS订阅原创 实验结果啊
这些实验的目的是证明，即使不需要对不同组的模型进行重新训练，我们提出的方法也能获得优异的性能，并且能够自动找到最优数量的变量源。在这种情况下，所有三种来源的最佳性能方法与只有一种来源的方法之间的差异为3.1（AUC=67.9，1-SVM和AUC=64.8，1-PSOCP），与新客户相比，这些额外来源的影响更大。从之前提供的图中可以看出，在本研究中报道的各种特征子集的预测方法中，所提出的PSOCP实现了最大的利润。就对于AUC，我们的提案对新客户的表现与这些方法类似，对RC客户的表现稍差。
2023-11-12 10:29:33
216
原创 Picking winners: Diversification through portfolio optimization
引言我们开发了一个通用框架，用于选择一小部分候选解决方案，以最大限度地提高在线性和加性随机回报函数下组合优化问题的最优机会。我们使用一个两阶段分布鲁棒模型和一个混合的0–1半定规划来公式化这个问题。这种方法使我们能够利用问题中固有的“多样化”效应，来解决如何选择不同的候选解决方案，以提高获得高事后回报的机会。更有趣的是，使用这种分布式鲁棒优化方法，我们的模型在适当的设置下恢复了足球台球博彩领域众所周知的“邪恶双胞胎”策略。我们还解决了扩大我们的方法以构建适度数量的候选解决方案的计算挑战，以增加找到性能良
2023-06-12 11:15:11
706
原创 Multistage distributionally robust optimization for integrated production and maintenance scheduling
sd
2023-01-15 15:01:25
359
原创 Online Learning and Pricing with Reusable Resources: Linear Bandits with Sub-Exponential Rewards: Li
在线租赁
2022-07-22 14:31:26
250
原创 Online linear programming: Dual convergence, new algorithms, and regret bounds
在线线性规划
2022-06-24 17:12:47
856
原创 The Best of Many Worlds_ Dual Mirror Descent for Online Allocation Problems
非平稳在线优化
2022-06-24 15:41:34
468
原创 A Dynamic Near-Optimal Algorithm for Online Linear Programming
online linear programming
2022-06-18 22:26:55
586
原创 Reinforcement Learning for Non-Stationary Markov Decision Processes: The Blessing of (More) Optimism
内生bandit
2022-06-17 15:14:16
312
原创 Stochastic Adaptive Dynamics of a Simple Market as a Non-Stationary Multi-Armed Bandit Problem
内生bandit
2022-06-17 14:41:39
219
原创 Non-Stationary Reinforcement Learning: The Blessing of (More) Optimism
内生bandit
2022-06-17 14:21:41
408
原创 Predictive and Prescriptive Methods in Operations Research and Machine Learning: An Optimization App
ok
2022-06-13 15:07:24
343
原创 The Big Data Newsvendor: Practical Insights from Machine Learning
摘要当一个人对与需求相关的 p 个特征以及历史需求数据有 n 个观察值时，我们研究了数据驱动的报童问题。 我们建议通过单步机器学习算法解决“大数据”报摊问题，而不是首先估计需求分布然后优化最佳订单数量的两步过程。 具体来说，我们提出了基于经验风险最小化 (ERM) 原则的算法，有和没有正则化，以及基于核权重优化 (KO) 的算法。 等效于高维分位数回归的 ERM 方法可以通过凸优化问题来解决，而 KO 方法可以通过排序算法来解决。引言我们通过表明它们的遗漏会产生不一致的决定来分析地证明使用特征是合理的
2022-05-11 15:31:40
830
原创 agvvvv
约束 (18)-(23) 是与 ASC 操作顺序和时间相关的约束。约束(18)、(19)是每个ASC的初始任务和结束任务的约束。保证每个ASC的初始任务是虚拟任务0，结束任务是虚拟任务f。约束(20)表示ASC的操作顺序，保证ASC当前正在处理的容器任务前后只有一个容器任务。约束 (21) 代表了 ASC 处理的每个容器任务的唯一性，确保每个容器只能由一个 ASC 处理。约束(22)、(23)表示ASC完成当前任务与下一个任务开始的时间关系，保证在同一个ASC上，上一个容器的完成时间早于下一个容器的开始时间
2022-05-07 20:24:08
274
原创 Neural Contextual Bandits with UCB-based Exploration
摘要我们研究随机上下文老虎机问题，其中奖励是由具有加性噪声的未知函数生成的。 除了有界之外，没有对奖励函数做出任何假设。 我们提出了一种新算法 NeuralUCB，它利用深度神经网络的表示能力，并使用基于神经网络的随机特征映射来构建奖励的置信上限 (UCB) 以进行有效探索。 我们证明，在 √ 标准假设下，NeuralUCB 实现了 e T ) 遗憾，其中 T 是轮数。O( 据我们所知，它是第一个基于神经网络的上下文老虎机算法，具有近乎最优的遗憾保证。我们还表明，该算法在许多基准测试中与代表性基线相比具
2022-05-06 16:55:39
1312
原创 Bypassing the Monster: A Faster and Simpler Optimal Algorithm for Contextual Bandits under Realizabi
摘要我们考虑可实现性假设下的一般（随机）上下文老虎机问题，即预期奖励，作为上下文和动作的函数，属于一般函数类 F。我们设计了一种快速简单的算法，可以实现统计上最优的后悔 在所有 T 轮中，只有 O(log T ) 调用离线回归预言机。 如果事先知道 T，则预言机调用的数量可以进一步减少到 O(log log T)。 我们的结果提供了从上下文老虎机到离线回归的第一个普遍和最佳的减少，解决了上下文老虎机文献中的一个重要的开放问题。 我们的结果的一个直接结果是，离线回归的任何进步都会立即转化为统计和计算上的上下
2022-05-06 13:56:06
220
原创 Two-Stage Sample Robust Optimization
摘要我们研究了一种基于重叠线性决策规则的简单近似方案，用于解决具有类型∞ Wasserstein 模糊集的数据驱动的两阶段分布鲁棒优化问题。我们的主要结果表明，这种近似方案对于两阶段随机线性优化问题是渐近最优的； 也就是说，在温和的假设下，随着数据点的数量增长到无穷大，通过近似稳健优化问题获得的最优成本和最优第一阶段决策会收敛到潜在随机问题的最优成本和最优第一阶段决策。 这些保证特别适用于没有相对完整的追索权的两阶段随机问题，这些问题在应用中经常出现。 在这种情况下，我们通过数值实验表明，近似方案实际上
2022-04-14 19:28:10
1614
1
原创 Robust Stochastic Optimization Made Easy with RSOME
摘要我们提出了一种新的分布式鲁棒优化模型，称为鲁棒随机优化 (RSO)，它将基于场景树的随机线性优化和分布式鲁棒优化统一在一个可行的框架中，该框架可以使用最先进的商业优化求解器来解决 . 我们还开发了一个新的代数建模包 RSOME，以促进 RSO 模型的实施。不确定性模型包含离散和连续随机变量，通常分别在基于场景树的随机线性优化和分布稳健优化中假设。 为了解决追索决策的非预期性，我们引入了逐事件追索适应，它集成了源自随机线性优化的场景树适应和在分布鲁棒优化中推广的仿射适应。 我们提出的基于事件的歧义集足
2022-04-14 14:34:26
1549
原创 Global Optimization via Optimal Decision Trees
摘要全局优化文献非常重视将棘手的优化问题简化为更易于处理的结构化优化形式。 为了实现这一目标，许多现有方法仅限于对使用可能数学原语子集的显式约束和目标进行优化。 这些在出现更一般的显式和黑盒约束的实际环境中受到限制。 利用混合整数优化 (MIO) 的显着速度改进和机器学习的最新研究，我们提出了一种使用具有超平面的最优决策树 (OCT-Hs) 来学习全局优化问题的 MIO 兼容近似的新方法。 这种约束学习方法只需要一个有界变量域，并且可以解决显式和非显式约束。 我们有效地解决了 MIO 近似，以找到全局优化
2022-04-12 10:04:09
709
原创 Dynamic optimization with side information
摘要我们开发了一种易于处理且灵活的方法，用于在不确定性下将辅助信息整合到动态优化中。 所提出的框架使用预测机器学习方法（例如 k-最近邻、核回归和随机森林）来加权各种数据驱动的不确定性集在稳健优化公式中的相对重要性。 通过一类机器学习方法的新度量集中结果，我们证明了所提出的方法对于带边信息的多周期随机规划是渐近最优的。 我们还描述了这些优化问题的通用近似，基于重叠的线性决策规则，它在计算上易于处理，并为具有多个阶段的动态问题产生高质量的解决方案。 在库存管理、财务和运输计划的各种示例中，我们的方法比其他方
2022-04-11 17:21:03
991
原创 Optimization over Continuous and Multi-dimensional Decisions with Observational Data
1.1 符号在整篇论文中，我们使用大写字母表示随机量，使用小写字母表示确定量。 因此，我们使用 Z 来指代由（未知）历史策略随机分配的决策，使用 z 来指代特定动作。 对于给定的辅助协变量向量 x 和建议的决策 z，条件期望 E[c(z; Y )|X = z, Z = z] 表示成本函数 c(z; Y ) 的期望 在 X 固定为 x 且 Z 固定为 z 的条件测量下。 我们忽略了可测量性的细节，并假设这个条件期望是明确定义的。 在整个过程中，除非另有说明，否则所有规范都是 ℓ2 规范。 我们使用 (X,
2022-04-11 15:49:36
72
原创 Mixed-Integer Optimization with Constraint Learning
摘要我们为具有学习约束的混合整数优化建立了广泛的方法基础。我们提出了一种用于数据驱动决策的端到端管道，其中使用机器学习直接从数据中学习约束和目标，并将训练好的模型嵌入到优化公式中。 我们利用许多机器学习方法的混合整数优化表示性，包括线性模型、决策树、集成和多层感知器。 多种方法的考虑使我们能够捕捉决策、上下文变量和结果之间的各种潜在关系。 我们还使用观察的凸包来表征决策信任区域，以确保可靠的建议并避免外推。 我们使用列生成和聚类有效地结合了这种表示。 结合领域驱动的约束和目标项，嵌入式模型和信任域定义了一
2022-04-11 14:29:26
1893
原创 Research on the Planning of High-efficiency Shortcut Path for Rechargeable AGV
摘要：要提高集装箱码头装卸效率，自动导引车AGV的运行是关键。但AGV运行中存在的路径规划、收费、资源分配等问题，影响了自动化码头的效率。因此，需要建立有效的数据模型，规划最佳行驶路径，实现AGV无冲突充电运行。实验证明，在考虑充电的情况下，可以减少AGV在码头起重机和堆场桥之间的运行时间，提高AGV小车的运行速度，提高自动化码头的运行效率。1 引言为了提高自动化码头的装卸效率，自动导引车（以下简称AGV）是连接码头桥梁和场桥的重要设备，对码头的运营效率起着关键作用。AGV的运行效率与AGV的路径规划
2022-01-23 12:59:11
301
原创 Flow-Shop Predictive Modeling for Multi-Automated Guided Vehicles Scheduling in Smart Spinning Cyber
摘要针对多级纺纱行业生产管理任务复杂度高的问题，针对客户的个性化需求，混流批量生产常出现。 人工搬运罐头工作量大，半成品周转周期长。 进行了一项新颖的启发式研究，该研究考虑了自动导引车（AGV）配送和路径规划的混合流水车间调度问题，通过优化配送效率和提高抽出车间的罐配送自动化程度来防止冲突和死锁。 本文针对环锭梳理过程建立了跨区域共享资源池和跨区域独立资源池两种AGV预测调度策略。 除了完成时间外，还结合生产线的瓶颈工序对AGV利用率和单位AGV时间进行了分析。 优化计算实验结果证明，配备多AGV和协调调
2022-01-22 14:14:16
766
原创 A matheuristic for AGV scheduling with battery constraints
This paper considers the problem of scheduling automated guided vehicles (AGVs) with battery constraints. Each transport request involves a soft time window, and the AGV fleet used to service those requests is heterogeneous with a diverse set of capabiliti
2022-01-22 09:34:21
1051
原创 Energy-Cost Aware Scheduling/Forecasting Competition
摘要在本说明中，我们描述了有关能源成本感知云计算的预测/调度竞赛的设置、规则和格式，计划在科克举行的 CP-AI-OR 2014 和里昂的 CP2014 举行。 我们讨论了预测和调度问题，提出了问题的数学公式，并定义了使用的数据格式。 参与者可以通过提供在现有调度系统上评估的价格预测、基于给定价格预测的调度系统或通过提供预测和调度工具的组合来决定参与。 解决方案的质量是通过所产生的计划的总实际成本来评估的。1 背景我们考虑以下问题：您正在运行云计算服务，客户在其中签订合同以运行计算服务（任务）。 每个
2022-01-09 15:17:50
672
原创 Decision-Driven Regularization A Blended Model for Predict-then-Optimize
摘要在上下文优化中，决策者寻求最佳决策以最小化成本，该成本基于观察到的特征而变化。这种上下文在许多业务应用程序中很常见，从按需交付和零售运营到投资组合优化和库存管理。在本文中，我们研究了预测然后优化的方法，该方法首先了解结果如何从特征中产生，然后根据这些结果选择最佳决策。由于无法获得真实结果，我们在文献中发现成本函数的定义存在歧义。为了解决这个问题，我们提出了一个混合的预测然后优化框架，该框架可能会导致对结果的预测有偏差，但可以轻松地将优化问题纳入预测阶段。这是通过决策驱动的正则化实现的。我们批判性地表
2022-01-04 22:37:37
1228
原创 Predicting Semantic Map Representations from Images using Pyramid Occupancy Networks 翻译
自动驾驶汽车通常依赖于其环境的高度详细的鸟瞰图，该地图捕捉场景的静态元素（如道路布局）以及动态元素（如其他汽车和行人）。 动态生成这些地图表示是一个复杂的多阶段过程，其中包含许多重要的基于视觉的元素，包括地平面估计、道路分割和 3D 对象检测。 在这项工作中，我们提出了一种简单、统一的方法，用于使用单个端到端深度学习架构直接从单目图像估计地图。 对于地图本身，我们采用语义贝叶斯占用网格框架，允许我们在多个摄像机和时间步长上轻松积累信息。 我们通过对 NuScenes 和 Argoverse 数据集上的几个具
2022-01-04 14:15:18
2210
原创 Interior Point Solving for LP-based prediction+optimisation翻译
摘要在许多现实生活中的分析应用程序中，解决优化问题是决策的关键。然而，优化问题的系数通常是不确定的，并且取决于外部因素，例如未来的需求或能源或股票价格。机器学习 (ML) 模型，尤其是神经网络，越来越多地用于以数据驱动的方式估计这些系数。因此，考虑预测值解决优化问题的有效性的端到端预测和优化方法受到越来越多的关注。在整数线性规划问题的情况下，克服其不可微性的一种流行方法是在连续松弛中添加二次惩罚项，以便可以使用对二次程序进行微分的结果。相反，我们研究了更原则性的对数障碍项的使用，它广泛用于线性规划的内点求
2022-01-02 21:10:23
1467
原创 vs-json
{“terminal.integrated.commandsToSkipShell”: [“language-julia.interrupt”],“julia.enableTelemetry”: true,“julia.executablePath”: “/mnt/data/google_download/julia-1.5.0/bin/julia”,“julia.environmentPath”: “/mnt/data/google_download/julia-1.5.0/bin/julia
2021-12-31 16:34:47
408
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人