- 自动元启发式算法设计与自回归学习
该研究提出了一种基于自回归学习的元启发式算法自动设计器,通过自动生成序列,可以全面发现元启发式算法的潜力并利用先前的设计经验,实现持续设计算法以解决开放式问题。在大量实验证明该设计器生成的算法在 25 个测试问题中超过了所有人类设计的基准算 - 使用深度强化学习学习公共交通网络设计和改进的启发式方法
利用深度强化学习和图神经网络学习低级启发式算法可有效优化公共交通网络设计,在合成和现实城市场景中均取得最佳结果并降低成本。
- MM基于元启发式算法的视觉变换器模型在早期阿尔茨海默病诊断中的比较分析
本文介绍了一种基于元启发式算法的 ViT 模型,用于在不同阶段识别老年人痴呆症,表现出较高的准确性、精确率、召回率和 F1 得分。
- ProGO:概率全局优化器
我们开发了一种基于多维积分的概率方法,用于求解全局最优解,该方法不需要梯度信息,具有收敛性和适用于任意维度的特性。通过在多个非凸测试函数上的实证研究,我们发现该方法在遗憾值和收敛速度方面优于许多现有的状态 - of-the-art 方法。
- 基于聚类的搜索空间缩减方法的改进 LAB 算法用于解决工程设计问题
介绍了一种修改后的 LAB 算法,该算法建立在原始 LAB 算法的基础上,通过引入轮盘赌方法和缩减系数,引入了群体间竞争并逐步缩小样本空间。该算法通过解决 CEC 2005 和 CEC 2017 的基准测试问题来验证,并使用双边和成对符号秩 - 短期天气预测中元启发式算法的超参数选择的比较评价
通过比较分析深度学习技术与启发式优化算法结合在天气预报中的性能,并评估不同模型架构在各指标下的表现,本文揭示了启发式优化算法在提高天气预报准确性方面的潜力。该研究还强调了利用高级优化技术选择适合特定天气预报任务的最佳启发式优化算法的重要性。
- 空间网络优化
该论文提出一种名为 “空间网优化” 的新型元启发式优化算法,通过建立 “空间网” 机制,在收敛过程中利用所有已搜索的解的信息描述解空间的局面,相比其他元启发式算法在多个单目标约束问题上性能更优。
- 约束多目标投资组合优化问题的学习启发式方法
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。
- 物理学启发的元启发式优化技术概述
本章节系统讨论了模拟非线性物理过程的基于物理的元启发式算法,重点介绍了几种物理学基础元启发式算法及其背后的独特物理过程
- 一种基于稀疏自编码器和灰狼优化器的数据分类框架
本文通过灰狼优化算法来训练深度自动编码器,提高在分类问题中表现的效果和性能。与其他元启发式算法相比,结果表明使用 GWO 方法能够明显提高模型表现和性能。
- 元启发式设计前馈神经网络:二十年研究综述
本文总结了传统和元启发式方法,连接了神经网络进化,合作共同进化 NN,复数 NN,深度学习,极端学习机,量子 NN 等的研究方向,提出了未来应对现代信息处理的有趣研究挑战。