Decision-focused neural adaptive search and diving for optimizing mining complexes
Notice bibliographique
Résumé
Optimizing industrial mining complexes, from extraction to end-product delivery, presents a significant challenge due to non-linear aspects and uncertainties inherent in mining operations. The two-stage stochastic integer program for optimizing mining complexes under joint supply and demand uncertainties leads to a formulation with tens of millions of variables and non-linear constraints, thereby challenging the computational limits of state-of-the-art solvers. To address this complexity, a novel solution methodology is proposed, integrating context-aware machine learning and optimization for decision-making under uncertainty. This methodology comprises three components: (i) a hyper-heuristic that optimizes the dynamics of mining complexes, modeled as a graph structure, (ii) a neural diving policy that efficiently performs dives into the primal heuristic selection tree, and (iii) a neural adaptive search policy that learns a block sampling function to guide low-level heuristics and restrict the search space. The proposed neural adaptive search policy introduces the first soft (heuristic) branching strategy in mining literature, adapting the learning-to-branch framework to an industrial context. Deployed in an online fashion, the proposed hybrid methodology is shown to optimize some of the most complex case studies, accounting for varying degrees of uncertainty modeling complexity. Theoretical analyses and computational experiments validate the components’ efficacy, adaptability, and robustness, showing substantial reductions in primal suboptimality and decreased execution times, with improved and more robust solutions that yield higher net present values of up to 40%. While primarily grounded in mining, the methodology shows potential for enabling smart, robust decision-making under uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».