ML+OR问题端到端优化

最新推荐文章于 2025-10-01 15:00:58 发布
原创 最新推荐文章于 2025-10-01 15:00:58 发布 · 114 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ML+OR

OR算法+ML模型混合推理框架架构演进
kangbin825的专栏
05-09 917
其中计算密集的运筹学算法（Operations Research，OR）和机器学习模型（Machine Learning，ML）是主要性能热点，如OR部分计算量最大的「路径规划算法」和ML部分计算量最大的「送达时间预估深度学习模型（ETR）」计算量占比60%以上，若使用远程CPU承载此计算，集群规模将在万台以上，长尾问题明显，运维压力和资源成本难以控制。通过哨兵监控系统实时追踪本地推理进程的健康状态，当检测到本地推理进程故障时，系统自动将本地的推理请求切换到远程集群上，保障服务的可用性。
【ML4CO论文精读】基于深度强化学习的组合优化问题研究进展(李凯文, 2020)
长亮-一个奋斗ing的CSer
01-30 7889
组合优化问题广泛存在于国防、交通、工业、生活等各个领域, 几十年来, 传统运筹优化方法是解决组合优化问题的主要手段, 但随着实际应用中问题规模的不断扩大、求解实时性的要求越来越高, 传统运筹优化算法面临着很大的计算压力, 很难实现组合优化问题的在线求解. 近年来随着深度学习技术的迅猛发展, 深度强化学习在围棋、机器人等领域的瞩目成果显示了其强大的学习能力与序贯决策能力. 鉴于此, 近年来涌现出了多个利用深度强化学习方法解决组合优化问题的新方法, 为组合优化问题的求解提供了一种全新的思路......
运筹优化（OR）-在机器学习（ML）浪潮中何去何从？
胶带码农的博客
08-26 1030
机器学习与运筹优化正走向深度融合：ML擅长预测分析，OR擅长约束优化，二者形成互补。ML可提升OR模型输入质量（如预测-优化框架），但也面临目标错配、不可导性等挑战；OR则能加速ML求解过程。未来趋势是ML与OR协同工作，如ML生成候选解后由OR校正，或在自动驾驶等领域实现感知与规划的有机结合。二者的专业优势（OR的硬约束满足与解释性，ML的数据驱动能力）决定了其不可替代性，将共同推动智能决策发展。
端到端机器学习_使用automl进行端到端的自动化机器学习过程
weixin_26750481的博客
08-27 405
端到端机器学习Prerequisite: 先决条件： - Docker -码头工人 - Jupyter Notebook -Jupyter笔记本 - Python and Pip -Python和Pip - Java -Java - Maven -Maven - Lombok -Lombok Resource: https://github.com/adrian3ka/shared-...
bigquery使用教程_如何使用bigquery ml和kubeflow管道建立端到端购买解决方案的倾向...
weixin_26734437的博客
08-18 781
bigquery使用教程Propensity to purchase use case is widely applicable across many industry verticals such as Retail, Finance and more. In this article, we will show you how to build an end to end solution ...
分布式提示系统性能优化：提示工程架构师的关键技术
项目管理的博客
07-25 700
模型推理计算资源不足（主要瓶颈）负载均衡策略不合理，导致部分节点过载提示请求复杂度差异大，加剧了负载不均衡基于摘要的压缩使用模型将长提示压缩为保留核心信息的短提示，适合非结构化和复杂提示。关键技术抽取式摘要：从原始提示中提取关键句子和短语生成式摘要：生成全新的、简洁的提示表达领域适应摘要：针对特定领域优化的摘要模型实现示例"""初始化提示压缩器Args:model_name: 预训练摘要模型名称device: 运行设备 (-1 for CPU, 0+ for GPU)"""
AI原生应用领域中GPT的性能优化策略
移动开发前沿的博客
09-17 841
AI原生应用（AI-Native Application）是以大语言模型（LLM）为核心架构，重构产品逻辑与用户体验的应用形态。与传统“AI辅助应用”（如客服系统中的聊天机器人）不同，AI原生应用的核心功能（如对话、代码生成、多模态交互）完全依赖LLM的能力，其性能直接决定用户体验。典型案例对话类：ChatGPT（实时对话，要求<1秒响应）；代码类：GitHub Copilot（代码生成，要求低延迟与高准确率）；多模态类：GPT-4V（图像-文本融合，要求高效处理跨模态特征）。AI原生应用对GPT的。
【剑指offer】高频ML/DL面试题
发现问题，并解决问题，批判性思维
05-25 9641
代码层面： 完成强化学习算法（CPG PPO A3C Q-learning DQN）在贪吃蛇环境的应用（即作出控制贪吃蛇的智能体） 在github上找到对应算法的代码并跑通代码 阅读理解代码的实现逻辑，对代码中用到的重要函数查阅和理解 对算法的调试和优化，使贪吃蛇智能体取得更好的分数 理论层面 阅读并理解五大算法的论文（需配合贪吃蛇代码的完成顺序） 对分布式相关知识的学习：按顺序完成学习A3C DPPO IMPALA seed-rl的论文及其相关文章 成果验收 （1）考察智能体在贪吃蛇的得分 三个算.
AutoML系列 | 01-自动化机器学习技术原理
热门推荐
JDDTechTalk的博客
09-04 1万+
前言 提示：自动机器学习(AutomatedMachine Learning, AutoML)技术是当前机器学习领域热点研究和迅速发展的方向之一，已被证明能够在多个领域达到或超过人类专家手动调参的效果，国内外许多头部公司纷纷将AutoML技术集成到自研AI平台中，降低算法工程师调参试错成本，加速机器学习模型的构建和落地。 【全球AutoML近5年热度趋势 (来源: Google Trend)】 本次分享将介绍AutoML的定义、目标和研究领域，梳理、回顾自动化超参数调优算法和机器学习管道创建方法，并对主流
AI故障预测系统的日志分析：架构设计如何结合ELK+ML？实战指南
AI 算法实战派
08-24 426
被动响应：故障发生后才通过告警发现，已造成损失；规则滞后：新故障模式无法被旧规则覆盖（如新型软件漏洞、硬件老化前兆）；规模瓶颈：日均PB级日志下，人工定义规则成本高、覆盖率低（某金融机构曾投入5人团队维护2000+规则，仍漏报30%关键故障）。此时，AI/机器学习（ML）成为破局关键：通过对历史日志的学习，ML模型能自动识别故障前兆模式，实现“事前预测”；而ELK栈（Elasticsearch+Logstash+Kibana）作为日志处理的事实标准，提供了从采集、存储、分析到可视化的全链路能力。
30、机器学习在函数优化与TSP问题中的应用
uran的专栏
10-01 19
本文介绍了机器学习在函数优化与旅行商问题（TSP）等组合优化任务中的应用。通过摊销优化方法，监督式学习可快速预测优化问题的解；结合端到端的学习管道和预训练模型，能够高效求解TSP等复杂问题。文章还展示了ML4CO竞赛、天体坐标转换、球面距离计算及使用预训练模型解决TSP实例的具体实现步骤与结果分析，体现了机器学习在提升优化效率方面的巨大潜力。
【ML4CO论文精读】用于组合优化的机器学习：方法论之旅(Yoshua Bengio, 2021)
长亮-一个奋斗ing的CSer
03-06 3785
本文调查了最近从机器学习和运筹学的社区,在利用机器学习来解决组合优化问题的尝试。考虑到这些问题的本质,最先进的算法依赖手工制作的启发式决策,否则计算或数学不定义良好的成本太高。因此,机器学习看起来像一个自然的候选人做出这样的决策原则和优化方法。我们倡导推动进一步一体化的机器学习和组合优化和细节的方法。论文的主要观点是认为通用的优化问题是数据和查询是什么问题用于学习的相关分布在一个给定的任务。......
live-player组件使用技巧[代码]
11-24
本文详细介绍了在小程序中使用live-player组件实现直播流播放的各种操作技巧，包括全屏切换、播放暂停、静音外放等功能。作者首先明确了live-player组件的基本属性和方法，然后通过UI图和代码演示展示了如何自定义操作栏，实现播放控制。文章还提供了完整的HTML、Script和CSS代码示例，帮助开发者快速掌握live-player组件的使用。最后，作者总结了实现过程中的关键点，并鼓励读者点赞、收藏加关注。
Aegisub特效字幕插件教程[代码]
11-24
本文详细介绍了Aegisub特效字幕制作中常用的插件使用方法，包括渐变插件和抖动插件的安装与操作步骤。渐变插件支持水平渐变和垂直渐变，可调整填充色、边缘描边等效果；抖动插件则能实现字幕的随机抖动或手动选择抖动，支持x轴、y轴或同时抖动。文章还提供了插件的下载链接，帮助用户快速上手制作动态字幕效果。
Golang开发Android应用[可运行源码]
11-24
本文介绍了如何使用Golang开发Android应用的基本环境配置。文章首先探讨了Golang与Android的关系，指出Golang可以编译成Android的可执行文件和动态库，适合用于编写运行库、后台服务或工具程序。接着，作者提供了一个简单的Golang代码示例，展示了如何用Golang编写Android应用。随后，详细讲解了在Windows 7/10 64位系统上配置Golang编译环境和Android NDK编译器的步骤，包括下载NDK、设置环境变量等。最后，文章还提到了命令行环境设置和编译过程，并提供了测试编译的步骤。整个配置过程虽然复杂，但通过本文的指导，读者可以顺利完成环境搭建，开始用Golang开发Android应用。
基于Simscape的纯电动汽车电机冷却系统建模与分析
11-24
本资源提供MATLAB多个发行版本（2014/2019a/2024a）的技术支持，并配套完整的案例数据集，确保程序可直接执行。代码架构采用模块化设计理念，具备以下技术特性：参数变量均通过独立配置模块实现灵活调整；程序逻辑采用分层结构，确保执行流程清晰可溯；关键算法段均配有标准化注释说明。本资源适用于计算机科学、电子信息技术、应用数学等专业的课程实践、综合课题研究及学位论文开发等学术场景。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
LUA loadstring用法[项目代码]
最新发布
11-24
本文详细介绍了LUA脚本中loadstring函数的用法，包括基本用法和复杂用法。基本用法如`assert(loadstring(script))()`，用于加载和运行给定的字符串。复杂用法展示了如何动态加载字符串并执行，结果可以是table或方法。例如，动态加载字符串生成table后，可以通过索引访问其中的数据；动态加载字符串生成方法后，可以直接调用该方法并输出结果。这些示例帮助开发者更好地理解和使用loadstring函数。
html5游戏源码挠痒痒
11-24
html5游戏源码挠痒痒
编码问题数据集-Coding Questions Dataset
11-24
该 CSV 文件包含一个结构化数据集，包含 616 个编程问题，旨在用于教育、研究和人工智能开发。每个条目包含每个题 title: Question title description: Detailed problem description difficulty_level: Difficulty level (e.g., Easy, Medium, Hard) created_at: Timestamp of creation updated_at: Timestamp of last update examples: Example inputs and outputs in JSON format constraints: Problem constraints in JSON format test_cases: Test inputs and expected outputs in JSON format id 每个问题的唯一标识符 title 题目标题 description 详细问题描述 difficulty_level 难度等级（例如：简单、中等、困难） created_at 创作时间戳 updated_at 最后更新的时间戳 examples JSON 格式的示例输入和输出 constraints JSON 格式中的问题约束 test_cases 测试输入和预期输出的JSON格式
强化学习解决VRP：单模型优化的车辆路线问题
实验结果显示，当处理有容量限制的VRP时，他们的方法在中型规模问题上，在解决方案质量上优于传统的启发式算法，如局部搜索算法，并且与Google的OR-Tools在计算时间上具有可比性。此外，该研究还展示了如何将分批...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值