使用滑动窗口方法改进了三目标问题求解,提高了运行效率并保持了相同的近似保证。
Jun, 2024
本文在数据流的上下文中,提供了一种基于滑动窗口模型的次模优化的近似算法,该算法维护了一个解决方案,考虑的仅是最后 $W$ 个元素,使用空间多项式对元素值的传播速度的对数级别,线性大小的解决方案,并保持高品质的解,实际表现远超理论界限。
Oct, 2016
我们首次引入了单目标算法,其可成功用于不同类别的约束子模拟最大化问题,并通过增加搜索空间的可行区域来处理这些问题。
本文研究了使用三目标公式来解决具有机会约束的问题,证明该公式在处理确定性基数约束时只需进行 1 位翻转即可计算所有所需的权衡,并且在实验中检验了其在优化支配集问题中的好处。
Apr, 2023
本文对 Pareto 优化方法做了分类比较,并提出了一种称为级联加权平均的扩展加权平均方法以应对实际应用中多种多目标优化场景。
Mar, 2022
基于采样的方法用于直接评估机会约束,研究结果表明,采用不同评估方法的算法性能是可比较的,而采用基于采样的方法的 ASW-GSEMO 算法优于其他算法。
Apr, 2024
本论文研究基于多目标进化算法 GSEMO-C 的子模最大化问题(包括有 / 无大小约束的子模函数最大化问题,以及有大小约束的单调逼近子模函数最大化问题),证明了该算法可以在多项式期望运行时间内实现很好的近似效果。
Nov, 2017
提出了一种在数据流上优化代表性子集选择的动态 RSS 方法,即最大化子模函数在具有一般 d - 背包约束 (SMDK) 的滑动窗口上。KnapWindow 框架(KW)利用 KnapStream 算法(KS)为 SMDK 策略中的 “添加仅” 数据流实例,提出 KnapWindowPlus 框架(KW$^{+}$)来改进 KW。实验结果表明,KW 和 KW$^{+}$ 在保持 SMDK 高质量解的同时,比批处理基线减少了两个数量级以上的运行时间。
Jun, 2017
在多目标优化中,考虑到平衡多个目标之间的权衡,解决方案在最优权衡方面被称为帕累托最优;我们研究了解决帕累托集约束优化问题的本地方法,这是一个具有挑战性的问题,因为约束集不仅是隐式定义的,而且通常在目标函数是非凸非光滑的情况下。
Aug, 2023
提出一种滑动窗口算法,针对变化的马尔可夫决策过程,同时考虑状态转移概率和奖励函数的变化。对于该问题,我们提供了性能保证,并表征了适用于我们算法的最优窗口大小。同时,我们还给出了算法采取的子优步数的样本复杂度界限以及一些实验结果来支持我们的理论分析。
May, 2018