혼합 정수 선형 프로그래밍을 위한 다중 에이전트 학습 프레임워크

혼합 정수 선형 프로그래밍(MILP)은 조합 최적화 영역에서 중요한 문제로, 실용적인 최적화 시나리오에서 폭넓게 응용됩니다. 대부분의 MILP 문제는 NP-하드 범주에 속하기 때문에 전통적인 방법으로는 해결하기 어려운 경우가 많습니다. 최근 연구에서는 기계 학습 기술을 사용하여 MILP 솔루션을 도출하려고 시도했습니다. 전체 MILP 해결 절차에는 사전 해결, 컷 선택, 노드 섹션 등과 같은 많은 모듈이 포함되어 있으며, 이러한 모듈들은 서로 밀접하게 관련되어 서로에게 영향을 미칩니다. 그러나 기존의 기계 학습 기반 접근 방식은 이러한 모듈 간의 연결을 무시하고 단일 모듈 학습 기술에 집중했습니다. 이를 해결하기 위해, 우리는 서로 다른 모듈이 상호 작용하고 협력할 수 있는 보다 포괄적인 다중 에이전트 학습 프레임워크로의 초기 단계를 제안합니다. 구체적으로, 현재 구현된 모델은 루트 노드에서 적용된 컷 선택을 위한 HEM과 변수 선택을 위한 GCNN의 두 가지 주요 모듈을 포함합니다. HEM을 사용하여 GCNN의 훈련에 영향을 미침으로써, 이 두 에이전트는 함께 작동하게 됩니다. 다양한 시나리오에서 네 개의 MILP 데이터셋에 대한 광범위한 실험을 통해, 우리는 최신 기계 학습 기반 MILP 해결 방법과 비교하여 해결 시간 및 PD 적분 메트릭에서 상당한 개선을 관찰했습니다. 이 작업은 완전 통합된 다중 에이전트 프레임워크의 향후 개발을 위한 기초를 마련합니다.