Deep-learning-based primal heuristics for MILP: supervised solution-prediction models

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Pacheco, Bruno Machado
Orientador(a): Camponogara, Eduardo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/262351
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2024.
id UFSC_6f65a59c5ccba1f015579a9ea9211e84
oai_identifier_str oai:repositorio.ufsc.br:123456789/262351
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaPacheco, Bruno MachadoCamponogara, EduardoSeman, Laio Oriel2024-12-19T23:27:21Z2024-12-19T23:27:21Z2024389478https://repositorio.ufsc.br/handle/123456789/262351Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2024.A programação linear inteira mista (\emph{Mixed-Integer Linear Programming}, MILP) é crucial no auxílio à tomada de decisão em cenários complexos devido à sua capacidade de modelar problemas de otimização combinatória e aproximar dinâmicas não-lineares. Heurísticas baseadas em modelos de aprendizagem profunda (\emph{deep learning}) oferecem uma solução promissora para resolver problemas MILP eficientemente. Tendo foco em modelos supervisionados para predição de soluções, esta dissertação investiga o projeto, o treinamento e a integração de modelos de aprendizagem profunda em heurísticas primais, usando o agendamento \emph{offline} de tarefas em nanossatélites (\emph{Offline Nanosatellite Task Scheduling}, ONTS) como um caso de teste. As principais conclusões deste trabalho se referem à arquitetura dos modelos, às funções de perda, à aquisição de dados e à meta-heurísticas. Além disso, as heurísticas baseadas em aprendizagem propostas para o ONTS foram capazes de reduzir, em média, 35\% do tempo necessário para encontrar uma solução factível, e um ganho médio de 43\% na qualidade das soluções encontradas. Esses resultados destacam o potencial da aprendizagem profunda em gerar heurísticas adaptáveis e eficientes para problemas de otimização, direcionando pesquisas futuras para a investigação da capacidade de generalização de redes neurais baseadas em grafos e de técnicas para geração de dados sintéticos.Abstract: Mixed-Integer Linear Programming (MILP) is a crucial tool for solving complex decision-making problems due to its ability to model combinatorial optimization tasks and arbitrarily approximate nonlinear features. Deep-learning-based primal heuristics offer a promising solution for efficiently addressing MILP problems. Focusing on supervised solution prediction models, this dissertation investigates the design, training, and integration of deep learning models into primal heuristics using the Offline Nanosatellite Task Scheduling (ONTS) problem as a test case. Key findings are drawn on model architecture, loss functions, data acquisition, and meta-heuristic. On top of that, the proposed learning-based heuristic approaches were able to provide, on one hand, a 35\% reduction in the expected time to find a feasible solution to the ONTS problem, and on another, a 43\% expected gain in the normalized quality of the heuristic solutions. These results highlight the potential of deep learning approaches to enhance the adaptability and efficiency of optimization solutions, with future research needed to further explore Graph Neural Network (GNN) generalization and improve data generation techniques.71 p.| il., gráfs.engEngenharia de sistemasAprendizado profundo (aprendizado do computador)Programação linearRedes neurais (Computação)NanossatélitesDeep-learning-based primal heuristics for MILP: supervised solution-prediction modelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEAS0457-D.pdfPEAS0457-D.pdfapplication/pdf760332https://repositorio.ufsc.br/bitstream/123456789/262351/-1/PEAS0457-D.pdf319bd63e0f2085ba3a2eea4e1dfcf82fMD5-1123456789/2623512024-12-19 20:27:21.728oai:repositorio.ufsc.br:123456789/262351Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732024-12-19T23:27:21Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
title Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
spellingShingle Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
Pacheco, Bruno Machado
Engenharia de sistemas
Aprendizado profundo (aprendizado do computador)
Programação linear
Redes neurais (Computação)
Nanossatélites
title_short Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
title_full Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
title_fullStr Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
title_full_unstemmed Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
title_sort Deep-learning-based primal heuristics for MILP: supervised solution-prediction models
author Pacheco, Bruno Machado
author_facet Pacheco, Bruno Machado
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Pacheco, Bruno Machado
dc.contributor.advisor1.fl_str_mv Camponogara, Eduardo
dc.contributor.advisor-co1.fl_str_mv Seman, Laio Oriel
contributor_str_mv Camponogara, Eduardo
Seman, Laio Oriel
dc.subject.classification.none.fl_str_mv Engenharia de sistemas
Aprendizado profundo (aprendizado do computador)
Programação linear
Redes neurais (Computação)
Nanossatélites
topic Engenharia de sistemas
Aprendizado profundo (aprendizado do computador)
Programação linear
Redes neurais (Computação)
Nanossatélites
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2024.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-12-19T23:27:21Z
dc.date.available.fl_str_mv 2024-12-19T23:27:21Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/262351
dc.identifier.other.none.fl_str_mv 389478
identifier_str_mv 389478
url https://repositorio.ufsc.br/handle/123456789/262351
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 71 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/262351/-1/PEAS0457-D.pdf
bitstream.checksum.fl_str_mv 319bd63e0f2085ba3a2eea4e1dfcf82f
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759027388678144

Registros relacionados