Во многих отраслях совершенно различные оптимизационные задачи сводятся к задачам смешанной линейно-целочисленной оптимизации (СЛЦО). Такие задачи встречаются при составлении расписаний, планировании производства, оптимизации цепочек поставок и др. Для решения таких задач часто применяются специальные решатели (Gurobi, Cplex и др). Компании-производители таких решателей (солверов) постоянно улучшают эффективность своих продуктов, тем не менее множество бизнес и производственных задач оказываются не разрешимы. Решатели разрабатываются за рубежом и из-за этого не всегда могут быть использованы из-за политик импортоземещения. В то же время, сейчас активно исследуется применение техник машинного и глубокого обучения для решения задач СЛЦО. В данном докладе автор расскажет о перспективах применения ML для решения задач: ▫️ подбора оптимальных параметров решателя; ▫️ настройки эвристик для снижения размерности задач СЛЦО различными ML техниками. Более того, будет предложен подход 2-х шагового решателя задач СЛЦО.