Mar, 2022

CITS：一种基于同步伊辛树搜索算法的组合优化问题求解算法

PDF
TL;DR本文提出了一种基于模拟退火的启发式搜索算法，在搜索空间上通过展开马尔可夫链到递归深度树来寻找最优解，利用连续表示的自旋状态和正则化项以及振荡子的动力学来探索选定的树节点周围的搜索空间，并在 NP - 困难问题（MAX-CUT）上验证了该算法与半定规划、模拟退火和相干 Ising 机的比较实验中能够在较少的迭代次数内获得更优解的优越性。
发现论文，激发创造
  • 模拟相干 Ising 机进行退火

    在经典计算机上模拟了相干伊辛机 (CIM) 以处理实数节点耦合强度的伊辛哈密顿量，得出其比 CIM 和噪声均场退火器更高效的结论，这有助于开发一种与现有方法竞争的量子启发式经典退火算法。

    Jan, 2019

  • 扩展的电子 Ising 机作为有效的 SAT 求解器

    本文讲述了基于 Ising 机的解决最优化问题方法。作者发现缺少了立方相互作用和高效的随机化启发式算法成为了失误的原因。最后，作者增加了一个合适的框架和一个新的方法，提高了搜索的效率，实验结果在以往硬件和软件求解最优化问题算法的基础上取得了更高的效果。

    May, 2023

  • 模拟引导的神经组合优化梁搜索

    通过引入模拟指导波束搜索（SGBS）和有效主动搜索（EAS）的组合，提高了神经组合优化的搜索效率。

    Jul, 2022

  • 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

  • 随机 3-SAT 问题的搜索与启发式算法的共生

    本文介绍了一种新的分支启发式方法和一种称作 ALDS 的搜索技术。在 SAT 2009 竞赛上的表现表明，这两种技术结合在一起可以极大地降低搜索树的大小。

    Feb, 2014

  • 广义模拟退火

    该研究提出了一种新的随机算法（广义模拟退火），用于在连续的 D 维空间中定义给定的（不一定是凸的）能量 / 成本函数，以计算找到全局最小值。该算法恢复了经典（“Boltzmann 机器”）和快速（“Cauchy 机器”）模拟退火，并且比两者都快。

    Jan, 1995

  • 控制的在线优化学习（COOL）：通过强化学习寻找自旋哈密顿量的基态

    通过强化学习方法，在模拟环境下优化模拟降温黑箱算法，对比标准启发式温度计划，从而寻找温度计划，以便能够成功地退火降温，实现全局最优解，提高了系统的性能。

    Feb, 2020

  • 用深度学习解决 Boltzmann 优化问题

    高性能计算的效率提升趋于尽头，传统的 CMOS 技术面临物理极限，Miniaturization 无法继续进行；以 Ising 模型为基础的计算系统能够接近热力学极限下的能耗，同时兼具逻辑和存储功能，潜在降低 CMOS 计算中昂贵的数据迁移造成的能源成本；本文的贡献是提出一种结合深度神经网络和随机森林的机器学习方法，用于高效解决 Ising 模型中最小化误差的优化问题，并提供一种将 Boltzmann 概率优化问题转化为监督式机器学习问题的过程。

    Jan, 2024

  • 使用 MCTSnets 学习搜索

    该论文提出了一种名为 MCTSnet 的体系架构，其将基于模拟的搜索嵌入神经网络中，并通过向量嵌入扩展，评估和备份。该网络的参数进行端到端的训练优化，应用于小范围的搜索中，显著优于 MCTS 基线的性能。

    Feb, 2018

  • QAOA 与量子模拟退火的比较

    通过定义一个优化问题的类，并在这个类中识别出 QA 和 SA 存在指数级小的概率找到解的实例，我们得出了 Quantum Approximate Optimization Algorithm， Simulated Annealing 和 Quantum Annealing 之间的第一条分界线，并突显了基于干扰的搜索启发式（例如 QAOA）和像 SA 和 QA 这样基于热和量子波动的启发式之间的根本差异。

    Jan, 2019