optimizn-一个用于开发自定义优化算法的 Python 库-计算机科学-机器学习-优化算法-Python库.pdf

optimizn:一个用于开发自定义优化算法的Python库

AkshaySathiya,AzureCoreInsightsDataScience,asathiya@

RohitPandey,AzureCoreInsightsDataScience,ropandey@

Abstract

组合优化问题广泛存在于各种领域。这些问题往往很复杂，其最优解可能无法高效获得，并且解

决它们可能需要大量的时间和计算资源（它们是NP难的）。因此，解决这些间题的最佳途径是使

本用通用优化算法范式来快速轻松地开发针对这些问题定制的算法，并在合理的时间内生成较好的

译解决方案。本文介绍了optimizn，这是一个用于在通用优化算法范式下（模拟退火、分支定界）

中开发定制优化算法的Python库。此外，optimizn提供连续训练功能，用户可以定期运行他们的

算法，保留之前运行的关键部分，并在后续运行中使用它们以可能生成越来越接近最优解的解决

2

v方案。本文的一个早期版本已由微软内部同行评审并发表。

3

3

0关键词：组合优化，约束优化，优化算法，模拟退火，分支定界，连续训练，np难

0

0

.

3

0

5

2

:

v

i

x

r

a

Equalcontribution.

1

1.介绍到这些问题。-hard但不在内的问题也一定

不在内，因此它们不能在多项式时间内被解决。

在微软Azure的云计算以及几乎任何其他行业或工

在撰写本文时，尚未发现任何可用于解决-hard

作中都会出现大量的组合优化问题。许多优化问题

在（-完全问题）中的多项式时间算法，因

是-难的，因此它们的最佳解不太可能高效地/

此认为中的-hard问题是不可能在多项式

以多项式时间获得。即使这些问题不是-难的，

时间内解决的。由此可以推断，如果一个问题属于

它们通常也非常复杂，使得从头开始开发多个特定

-hard类别，则它很可能无法在多项式时间内得

问题的算法变得不切实际。

到解决。

这些问题的解决方案不能轻易生成，以免造成不良

复杂性理论主要涉及决策问题，但可以通过

的业务影响。例如，在Azure[1]的环境设计问题中，

限制其解的最优性来应用于优化问题[2]。优化问题

测试环境被设计用于在部署前捕捉到Azure内部程

至少与其对应的决策问题一样难，因此如果一个优

序中的回归错误。如果随意生成测试配置，则可能

化问题对应的决策问题是-难的（相应地，它的

导致某些回归错误/错误/漏洞在生产前测试阶段未

最优解不太可能在多项式时间内获得），那么该优化

被发现，并最终在生产环境中部署，从而影响客户。

问题是-难的。

因此，开发能够在合理时间内找到令人满意且接近

最优解（“良好”解决方案）