DeepMind 又一力作 - 颠覆运筹?

最近DeepMind和谷歌Research的团队在其最新论文《利用神经网络求解混合整数规划》(Solving Mixed Integer Programs Using Neural Networks)中展示了用神经网络（NN: Neural Network），从混合整数规划（MIP：Mixed Integer Programs）实例的数据集中，自动构建有效的启发式MIP算法。

文章称该新算法显著优于经典的MIP求解器技术，在开源的最先进的SCIP求解器上表现出令人印象深刻的改进。

论文原文见 Solving Mixed Integer Programs Using Neural Networks （https://arxiv.org/abs/2012.13349 ），非常有开创意义，目前也在Github上放出了源码（ https://github.com/deepmind/deepmind-research/tree/master/neural_mip_solving ）。

量子位很快发了一篇杉数科技的运筹专家对此新算法的详尽分析 《DeepMind激起千层浪的这篇论文，并非无所不能》。杉数专家分析的很到位，但我个人有几点不同见解：

一、关于一定时间内能拿到的Gap作为衡量标准，个人觉得非常合理：

1.1 在Mission critical的关键工程规划中，约束时间内的更优解实战意义重大，比如供应链的MRP/FP通常希望有限时间内出优化的结果;

1.2 衡量求解器的优劣的标准，跟衡量数据库/数据仓库或搜索引擎本质类似：响应时间response time, 吞吐量throughput, 准确性 gap/accuracy/relevance；

1.3 MIPLIB benchmark 的实例具有广泛的代表性，不过泛化场景下的benchmark的表现固然重要，更让人欣喜的是特定领域问题优化成为可能，比如3C产品制造的APS场景

二、Neural Branching 与Neural Diving 的本质不是MIP求解器辅助：

2.1 神经网络是万能的函数逼近器，仅仅单层神经网络就能逼近几乎任何函数，只是泛化能力不如深度神经网络；

2.2 Neural Branching 与 Neural Diving 本质上是利用NN的万能函数逼近特性，在约束条件下分区逼近MIP的目标函数。使用FSB的计算结果，目的是用其产生NN可以学习的数据集；

2.3 NN 在电网突变问题不适用的根本原因是目标函数的变化，源于NN甚至所有的机器学习都是模式识别工具，仅适用于封闭稳定的问题域。

从围棋的AlphaGo到蛋白质结构预测的AlphaFold2，DeepMind一直在引领人工智能领域的颠覆性的进展，尽管仅凭这篇论文说颠覆运筹学还为时尚早，但非常佩服DeepMind挑战传统学术难题的勇气与智慧。约翰·梅纳德·凯恩斯（John Maynard Keynes）说：“最困难的不是接受新思想，而是摆脱旧思想”。“对于我们的名声来说，遵循惯例而失败好过违背惯例而成功”，这是颠覆式创新的最大思想障碍。

作者：王庆法，数据领域专家，首席数据官联盟专家组成员

来源: 中国科技新闻学会