AAAIFeb, 2022

学习为采矿复合体同步随机优化制定启发式调度策略

PDF
TL;DR通过学习挖掘复合物在利用模拟退火算法解决问题中的性能以及多种启发式算法的组合，提出了一种自学自适应的超启发式算法，用于解决挖掘复合物的大规模随机组合优化问题。该算法被称为 L2P，并在多个实际挖掘场景中进行了测试，显示出可以减少迭代次数和计算时间的有效性，同时还具有鲁棒性和泛化能力。
mining complexesstochastic optimizationsimulated annealingdata-driven frameworkhyper-heuristic
发现论文，激发创造
  • 在线学习用于调度 MIP 启发式算法

    本文提出了一种在线学习方法，用于优化 Mixed Integer Programming (MIP) 中的启发式算法，以适应于不同的实例，并将大邻域搜索和 Diving 两类复杂启发式方法同时控制，实现 MIPLIB 2017 基准测试的节点数减少和速度提升。

    Apr, 2023

  • 基于知识辅助的大规模原油调度的双阶段进化优化

    在现代炼油厂中，随着原油调度规模的扩大，涉及数千个二进制变量和非线性约束的大规模原油调度问题（LSCOSPs）变得越来越具有挑战性，难以通过传统的优化方法进行优化。为了解决 LSCOSPs，我们以一个海上进出口炼油厂的实际原油调度为例，从原油卸载、运输、原油蒸馏装置加工和中间产品库存管理方面对 LSCOSPs 进行建模。基于所提出的模型，我们开发了一个由启发式规则驱动的双阶段进化算法（DSEA/HR），其双阶段搜索机制包括全局搜索和局部优化。在全局搜索阶段，我们设计了几个基于经验操作知识的启发式规则，以在混合变量空间中生成良好性能的初始种群并加速收敛。在局部优化阶段，我们提出了一种修复策略，通过进一步优化局部连续变量，将不可行解移动到可行区域。在整个进化过程中，所提出的双阶段框架在探索和开发之间起着关键的平衡作用。实验结果表明，DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法，在 LSCOSP 实例上表现出色。

    Jan, 2024

  • 学习控制组合优化中的局部搜索

    本研究提出了一种名为 NeuroLS 的本地搜索算法控制器，采用深度图神经网络作为策略模型，通过计算机学习方法，能够优于已知常规搜索控制器和最新的机器学习方法，在求解 NP 困难度的组合优化问题中，取得了比较理想的结果。

    Jun, 2022

  • 强化学习驱动的启发式优化

    本文介绍了一种使用强化学习初值方法框架来改善启发式算法的初始解决方案的方法，并在 NP 完全的装箱问题上的实验中展示了 RLHO 方法比我们的基线表现更好。

    Jun, 2019

  • 一种强化学习方法用于通过排序交换提高泛化性能的调度问题

    本文介绍了一种使用 DRL 求解 JSSP 问题的新方法，该方法使用了 PPO 算法并在环境中加入了 OSM 以实现更好的泛化学习，并在可用的基准实例集上进行了深入的性能分析和比较。

    Feb, 2023

  • 可持续非相关并行机器调度的元启发式优化通用框架：简明概述

    通过应用元启发式优化算法解决不相关的并行机器调度问题，研究了如何在可持续发展目标的背景下实现可持续发展目标，并评估了一系列元启发式算法在优化调度问题中的有效性。

    Sep, 2023

  • 通过蒙特卡洛树搜索提高大规模多目标优化问题的性能鲁棒性

    本文提出了一种基于蒙特卡罗树搜索的进化算法 -- LMMOCTS，旨在改进大规模多目标优化问题的性能和灵敏度。该方法通过抽样决策变量来构建蒙特卡罗树上的新节点进行优化和评估，并选择具有良好评估的节点进行进一步搜索，针对决策变量规模带来的性能灵敏度进行解决。在实验中，与数种最新设计进行了对比，并提出了两个度量算法灵敏度的指标，结果证明了该方法对于解决大规模多目标优化问题具有有效性和性能的灵敏度。

    Apr, 2023

  • 自标记作业车间调度问题

    通过自我标注策略，我们提出了一种专门为组合问题设计的自监督训练策略，采样多个解并使用问题目标最佳解作为伪标签来训练生成模型，从而完全消除了优化信息需求，并在作业车间调度问题上证明了其有效性。

    Jan, 2024

  • 基于本地能量分布的随机模拟退火超参数确定

    本文介绍一种基于局部能量分布的随机模拟退火超参数确定方法，该方法使用中心极限定理估计局部能量分布，并将正态分布应用于超参数确定，从而将复杂度从 O（n ^ 3）降低到 O（1），在最大割问题的 Gset 和 K2000 基准测试中得到了 98% 最优解的均值。

    Apr, 2023

  • 在不确定条件下学习解决作业车间调度

    使用深度强化学习技术搜索鲁棒解决方案的新方法，重点解决具有不确定持续时间的作业车间调度问题，并结合图神经网络和深度强化学习的 Wheatley 方法已公开提供以供进一步研究和应用。

    Mar, 2024