麻省理工学院研究人员开发出一种新型问题求解工具FSNet，该工具通过结合机器学习与优化算法，能够快速求解电网调度等复杂优化问题。这项技术相比传统求解方法显著提升了计算效率，同时确保解决方案符合所有系统约束条件。

FSNet工具采用两步求解框架，首先通过神经网络预测问题解决方案，随后利用传统求解器进行可行性搜索优化。论文第一作者、电子工程与计算机科学系研究生黄安表示："在FSNet中，我们可以获得实践中所需的严格保障。"该方法能同时处理等式和不等式约束，提升了工具的适用性。

该研究团队将FSNet与传统求解器及纯机器学习方法进行对比测试。结果显示，在满足所有约束条件的前提下，新工具的求解速度比传统方法快数个数量级。项目负责人、电气工程与计算机科学系教授Priya Donti指出："对于具有挑战性的优化问题，找到可行的解决方案比找到接近最优的解决方案更为重要。"

FSNet工具不仅能应用于电网电力调度，还可用于产品设计、投资组合管理等多个领域的复杂问题求解。研究人员计划未来进一步降低工具内存需求，整合更高效算法，并扩展其解决实际问题的规模。这项名为FSNet的研究成果已提交至神经信息处理系统会议。

更多信息：Hoang T. Nguyen 等人，《FSNet：具有保证的约束优化可行性搜索神经网络》，arXiv (2025)。期刊信息：arXiv