新颖启发式、多队列搜索和投资组合在数字规划中的应用
本文提出基于 TabuSearch 和 TokenRing Search 的启发式方法来解决投资组合优化问题,采用加入基数和数量限制的 Markowitz 的经典均值方差模型来更好地捕捉交易流程动态,并探索了三个不同邻域关系的组合。此外,还提出了一种新的初始解构造方法。最后,论文通过公共基准测试展示了所提出技术的表现。
Nov, 2022
通过研究动作的不同发生次数来分析导致规划正式化丧失可决定性的可能原因,使用多值偏序计划的概念实现了一个 NP 完全的数值规划片段,并研究了软性前提的优化技术。
Jul, 2023
本文针对设计算法组合的问题,提出了并行考虑调度问题和机器学习问题的技术,并在布尔可满足性、01 整数规划和人工智能规划等领域取得了显著的实验性能提升,具有较强的理论保证。
Jun, 2012
本篇论文旨在将启发式搜索算法应用于多目标随机最短路径 (MOSSPs) 问题,提出了基于相对快速的 MOLAO* 和 MOLRTDP 两种算法,以及一系列能够应对随机、多目标特点的启发式函数,通过实验证明了新算法及函数的有效性。
Mar, 2023
本研究为了解决多目标资产组合优化问题引入了现实约束条件,并使用元启发式算法与学习启发式算法将其与基线算法进行比较,结果表明使用学习启发式算法进行资产配置可以产生更优的结果。
Apr, 2023
介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法,采用基于最佳优先搜索 BFS(v) 和其渐进变体 PGP(v)的方法,引入来自行动方案的提高可行性行动,并提出了新的评估函数和结构化程序限制,以扩展搜索范围。经实验证明,新算法 BFS(v)和 PGP(v)在标准通用计划基准测试中优于现有算法。
Jul, 2023
本论文重新审视了启发式函数在规划中的模仿学习中的必要和充分条件,并针对给定的前向搜索算法的变体提出了一族基于排名的损失函数。另外,从学习理论的角度讨论了为什么优化成本 - 目标 h * 是不必要困难的。实验比较在多样化的问题集上明确地支持了得出的理论。
Oct, 2023
通过将环境的低维编码与基于模型和无模型目标相结合的学习相结合,提出了一种有效探索的新方法,利用了基于低维表示空间最近邻之间的距离来衡量新颖性的固有奖励,进而在表示空间中利用这些固有奖励在奖励稀疏的困难探索任务中进行样本高效的探索。
Sep, 2020