机构名称：
¥ 1.0
数学编程的进步使得有效地解决了几十年前被认为是棘手的大规模现实问题。但是，由于将优化软件视为黑匣子，因此可能无法接受最佳解决方案。al-尽管科学家对此充分理解，但对于从业者来说，这很容易获得。因此，我们主张将解决方案作为另一个评估标准的解释性，即其目标价值旁边，这使我们能够找到这两个标准之间的交易解决方案。可以通过与过去在类似情况下实施的（不一定是最佳的）解决方案进行比较。因此，首选具有相似特征的溶液。al-尽管我们证明在简单的情况下，解释模型是np-hard，但我们表征了相关的多项式解决案例，例如可解释的最短路径问题。我们在人工和世界道路网络上进行的数字实验都显示了由此产生的帕累托前沿。事实证明，可执行性的成本可能很小。
数学优化中数据驱动的解释性的框架
主要关键词
相关文件推荐
