- 一个用于容量受限位置路径问题的多种群整合方法
该研究提出了一个多种群综合框架,通过多个仓库配置生成有效的子代解决方案,包括一个有效的基于邻域的局部搜索、一个可行性恢复过程和一个多样化的突变方法,在 281 个基准实例的广泛实验中得到了明显的改进,并匹配了 84 个已知的最佳结果。
- OSSCAR:一个用于图像和语言模型的单次结构化剪枝方法与组合优化
本文通过结构剪枝方法在大规模视觉和语言模型中降低推理成本,提出了一种基于组合优化的框架,利用层间重构目标和低秩更新的本地组合优化算法,显著改善了先前方法在视觉模型和语言模型上的性能。
- 局部搜索 GFlowNets
通过使用局部搜索方法来培训 GFlowNets,本文解决了传统 GFlowNet 方法在产生高回报样本方面的困难,进而表现出出色的性能提升。
- 多交换 $k$-Means++
通过考虑更大和更复杂的局部搜索邻域,我们的算法实现了 9 + ε 的逼近比,这是局部搜索的最佳可能性,并且在几个数据集上显著改进了 Lattanzi 和 Sohler(ICML 2019)的方法。
- IJCAI使用局部搜索优化程序:你能优化我的代码吗?
本文介绍了一种用于改进现有程序的本地搜索方法,即基于单项游戏评分提高程序效率的 POLIS 方法,在 27 人的用户研究中得到验证,可以作为可衡量目标的编程问题的有用助手。
- KDD使用树和局部搜索学习带基数约束的专家混合模型
本文提出了一种新的稀疏门控机制 COMET 以及一种置换局部搜索方法,应用于稀疏 Mixture-of-Experts 框架,这种方法在推荐系统、自然语言处理等领域进行大规模实验,取得了良好的效果。
- 将蒙特卡洛树搜索和启发式搜索结合用于权重顶点着色
本文研究了蒙特卡罗树搜索方法与专门的启发式方法相结合来解决带权顶点着色问题,并对基本的 MCTS 算法进行了扩展。我们实验了几个方案,包括贪心和本地搜索启发式策略,并在熟知的基准实例上评估了这些方案,提供了实证证据来说明每个模拟策略的优缺点 - 通过编码进行优化:重整化群的视角
文章介绍了利用局部搜索和启发式逼近相结合的方法来解决离散优化问题,通过构建适当的启发式覆盖映射,实现从较大的搜索空间映射到原始搜索空间的子集,来避免困局性局部最小值的出现,并指出这种方法实际上可以被看做是重正化群变换的一种应用。
- DeciLS-PBO: 一种有效的伪布尔优化局部搜索方法
本文通过两种方法提高局部搜索算法的效率解决了伪布尔优化问题 (PBO)。首先使用一些机制 (如单位传播) 将其广义化为 PBO 问题,然后利用措辞这个桥梁来增强对其的理解。实验表明我们的算法比现有算法性能更好。
- 多轮匹配实现资源共享
针对多轮匹配问题,我们在普遍应用实践中探究了解决资源与代理人之间的配对问题的方法,并研究了不同类型的收益函数的解决策略,同时针对不同的场景,我们提出了整数线性规划和基于局部搜索的启发式算法。
- 结合多臂老虎机和局部搜索的 MaxSAT 算法
本文提出了一种基于多臂赌博机的本地搜索算法 BandHS 用来解决 MaxSAT 及其两个泛化问题,和一个初始化方法优化算法的表现。经过大量实验证明,本文提出的方法在解决 MaxSAT 问题时表现出色。
- 最大独立集问题的自适应重复交集约简局部搜索
本文研究了应用广泛的 NP-hard 问题之一,最大独立集问题( M IS),提出了局部搜索框架 ARIR 及其三种算法,采用三种不同的减少策略,在五组基准测试中显示出明显的优越性。
- ACL自动填字游戏求解
本文提出了伯克利填字游戏求解器,该系统使用神经问答模型生成填字谜面的答案候选,并将循环置信传播与本地搜索相结合,以找到完整的谜底解。与现有方法相比,我们的系统使得填字准确率从 71% 提高到 82%。此外,我们还分析了系统的剩余错误并发布了 - 大规模最大独立集问题的元启发式算法
针对实际的车辆路径问题,研究了最大权独立集问题,通过开发一个新的本地搜索算法,该算法使用了先前文献中未描述的更广泛的简单局部搜索运算和数据结构,引入了路径重新链接的新变体来避免局部最优解以及一种新的交替增广路径局部搜索移动来提高算法性能。
- 一项关于学习和改进无监督释义搜索目标的实证研究
本文研究无监督文本生成技术中的优化问题,提出利用学习模型平滑启发式搜索目标函数中的噪声以及与原始目标函数相结合来指导搜索,实验表明,这种方法可以略微提高搜索性能。
- AAAI利用远见概率采样提升本地搜索 MaxSAT 求解器的通用策略
本文提出了一种名为 FPS 的策略,通过考虑连续翻转一对变量的好处来替换单一翻转机制,以提高本地搜索算法的效率,解决了局部最优解品质较低的问题,并通过最佳取样的方法避免了局部最优解,实验表明该方法极大地提高了最先进的 (W) PMS 解算器 - 无惧 DAG:深入研究连续优化用于学习贝叶斯网络
研究学习贝叶斯网络的连续优化框架 NOTEARS,推导该优化问题的 KKT 条件,提出一种基于 KKT 条件的局部搜索后处理算法并在测试中得到了结构汉明距离的显著和普遍提高。
- 局部搜索是神经架构搜索的一个极强的基准
本文介绍一种新增的局部搜索 (Local Search) 算法,用于在多目标 (网络精度与复杂度) 条件下,对神经网络进行结构搜索。同时,本文提供两种基准数据集 MacrosNAS-C10 和 MacrosNAS-C100,并将所提出的算法 - ICMLK - 聚类的个体公平性
本文提出了一种基于局部搜索的算法,用于实现 $k$-median 和 $k$-means(以及任何使用 $\ell_p$ 范数的 $k$- 聚类),并从个体公平性的角度来考虑。我们的算法提供了一个逼近可行的 $k$- 聚类,其 $k$-me - ICCV高效的结构化裁剪和架构搜索用于群组卷积
本文介绍了一种有效的方法来解决组卷积剪枝的挑战,即将其制定为寻找最优通道置换以施加结构约束并通过启发式方法高效地解决。同时,本方法还应用启发式方法来探索基于估算的剪枝成本的分组配置,以最大化测试准确性。与之前的工作相比,结果表明我们的方法在