多目标组合优化的新核心引导和命中集算法
本文通过神经组合优化的思想,提出了多目标组合优化问题的学习方法,模型可直接生成逼近帕累托前沿的解,证明了该方法在多目标问题上的有效性。
Mar, 2022
为解决大规模特征选择问题,本文提出了一种新的二元多目标坐标搜索(MOCS)算法,该算法在真实世界的大规模数据集上展现出显著的优越性,并且比 NSGA-II 算法更快速、更高效地解决特征选择问题。
Feb, 2024
通过提出一种新的具有多样性增强的神经启发式方法,我们能够从多目标组合优化问题的不同视角产生更多的 Pareto 解,并在经典的多目标组合优化问题上取得了更高的多样性 Pareto 前沿和卓越的整体性能。
Oct, 2023
本文提出第一个对组合优化求解器的实用鲁棒性度量方法,并针对 14 个算法和 CO 问题进行了广泛的实验,在给定时间限制下,发现目前的最先进算法(如 Gurobi)在指定的难例上的性能下降了超过 20%,使人们对组合优化求解器的鲁棒性产生担忧。
Dec, 2021
本文提出了加权布尔优化(Weighted Boolean Optimization,WBO)的新统一框架,并提出了一种基于不可满足性的算法为 WBO 提供解决方案,并且该算法可用于解决众多相关问题,包括 非常规的伪布尔约束条件。实验结果表明,基于不可满足性的算法比现有的专用算法更有效。
Mar, 2009
通过基于超体积期望最大化的 Pareto 注意模型以及超体积残差更新策略,结合新颖的推理方法和局部子集选择方法,设计了一种名为 GAPL 的几何感知 Pareto 集学习算法,用于解决多目标组合优化问题,提高问题的分解能力和多样性增强。通过三个经典的多目标组合优化问题的实验结果表明,GAPL 算法在分解和多样性增强方面优于现有的神经基准模型。
May, 2024
用代理模型进行不确定度感知的搜索,以在减小函数计算的前提下,近似求出满足一组约束条件的真实 Pareto 解集,将其应用于昂贵的电路优化实验中,实现了 90% 以上的计算次数减少。
Aug, 2020
构建适用于 NP-Hard 的 Pseudo-Boolean 优化问题的任意时刻元求解器,明显提高了性能,并改进了在组合求解器组合中性能表现最好的单个求解器 Gurobi 的成功率。
Sep, 2023