多目标组合优化问题的高效任意时刻算法
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
本论文将 A * 启发式搜索算法转化为逐步改进的任意时间算法,采用加权启发式搜索找到近似解,继续 weighted search 以找到更好的解并改善当前解的低下性,形成了一个能够在搜索时间和解决方案质量之间灵活权衡的任意启发式搜索算法,具有较高的适用性和广泛性。
Oct, 2011
本文介绍了一种新型的 AO * 算法,可用于 MDP,并使用可以采样的非可行启发式来提供最优策略。该算法解决了在 AND/OR 图上探索和开发之间的权衡问题,并在大型无限 MDP 的动作选择中显示了优异的性能。
Sep, 2019
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
本文介绍了一种使用经验累积分布函数来比较 MaxSAT 局部搜索求解器在多个问题实例和不同时间预算下的任意时刻性能的方法,实证评估结果显示求解器的性能存在差异,并且在不同的运行时间下求解器的优势和劣势会有所调整,同时,这项工作还证明了以任意时刻性能作为成本函数进行超参数优化的方法能够得到更好的局部搜索参数设置。
Mar, 2024
本文介绍了 Shiwa 算法,它可用于离散和连续、有噪音和无噪音、单项和并行、黑盒优化。通过在 YABBOB 和几个变体上进行实验比较,并在几个实际测试平台上验证了该算法。
Apr, 2020
本文介绍了一种基于多臂赌博机的乐观方法,称之为多目标同时乐观优化(MO-SOO)。该算法通过结合多个多臂赌博机在多目标问题的可行决策空间中建立分层结构,以识别帕累托最优解。通过描述该算法的有限时间和渐近行为,分别分析了算法的上界和一致性性质。在 300 个双目标基准问题中,与三个随机算法进行比较,MO-SOO 表现出与顶尖随机算法一致的性能,即 SMS-EMOA 算法。
Dec, 2016
本文提出了两种基于不可满足性的算法,即核引导多目标组合优化解算器和命中集多目标组合优化解算器,实验证明这些算法可以优于现有的基于 SAT 的算法。
Apr, 2022
我们引入并研究了具有任意时间限制的受限马尔可夫决策过程(cMDPs)。我们提出了一种固定参数可处理的方法,将具有任意时间限制的 cMDPs 转化为无约束的 MDPs。我们设计出了适用于大表 cMDPs 的计划和学习算法,并设计了近似算法,可以高效地计算或学习一个近似可行策略。
Nov, 2023
该篇论文提出了一种基于半定规划的自适应、可扩展模型的算法,用于优化机器学习、离散优化和贵重求值黑盒函数所需的组合结构,该算法在实验中表现优于组合和贝叶斯优化等其他方法。
Jun, 2018