- 基于机器学习的模拟退火优化 TPMS 构造材料
通过机器学习和模拟退火方法，本研究提出了一种优化三维周期性最小曲面结构的拉伸应力的新方法。评估了随机森林、决策树和 XGBoost 模型在预测拉伸应力方面的性能，使用来自有限元分析的数据集生成。结果表明，SA-XGBoost 模型在捕捉数据 - 运用遗传算法和模拟退火优化物流配送中心的工人排班
本研究通过综合应用遗传算法和模拟退火算法，解决了物流中心工人排班的优化问题。该优化问题涉及到永久性和临时性工人的合理排班，以提高物流中心的效率并最小化劳动力使用。研究通过建立一个 0-1 整数线性规划模型，使用遗传算法和模拟退火算法解决模型 - 基于高斯伯努利受限玻尔兹曼机的异常检测分数解释性的改进
基于高斯 - 伯努利受限玻尔兹曼机的异常检测中，通过基于累积分布的可解释度测量，提出了用于设置分类阈值的准则。同时，通过模拟退火方法对最小得分进行评估，验证了该评估方法的可行性。
- 利用动态图神经网络实现异构纳米卫星星座的自主协作
通过建模卫星星座和卫星接触计划为动态网络并采用基于图论的技术，提出了一种新方法来解决卫星网络通信调度的复杂性问题，通过仿真退火的启发式算法更新，推测网络延迟误差平均为 3.6 分钟，在提高 29.1% 延迟的同时，实现 20 倍的目标评估速 - 通过进化算法的低频黑盒后门攻击
我们提出了一种强鲁棒性的低频黑盒后门攻击 (LFBA)，通过最小干扰频率频谱的低频部分并同时在空间空间中保持感知相似性，将触发耦合在受害分类器之外并具有高攻击性、对图像转换防御的强鲁棒性和隐蔽性。
- 使用修正线性型代价函数，在模拟退火中生成能量景观的梯度，以有效解决 0/1 矩阵分解
0/1 矩阵因子分解应用逻辑 AND 和 OR 作为乘积求和运算符，以揭示影响各种决策过程的因素。通过将矩阵因子分解建模为能量最小化问题，并在理论上利用模拟退火方法实现在足够时间内找到最小解。我们利用现代模拟退火机器中可用的修正线性类型代价 - OsmLocator：基于聚类重新可视化的模拟退火定位重叠散点标记
通过基于聚类的重新可视化，解决了在散点图中定位重叠标记时的困难，并提出了一种适应不同连通区域的自适应模拟退火方法，通过实验验证了该方法在定位散点图中标记方面的准确性和优越性。
- 学习排序中模拟退火特征选择的探索性研究
我们研究了在学习排序领域中使用模拟退火这一流行的元启发式方法进行特征选择，包括不同的邻域选择策略、温度冷却方案和进度参数等，通过在五个公开基准数据集上进行实验对比，证明了我们提出的模型的有效性。
- 基于模拟退火的 DNN 加速器循环顺序调度器 SALSA
本研究提出了一种名为 SALSA 的快速双引擎调度程序，以支持 DNNs 的最优执行时间，并结合模拟退火的策略解决了循环排序设计空间大小的动态性问题。SALSA 在 5 种不同的 DNN 上与两个 SotA 调度器 LOMA 和 Timel - 寻找局部最大二分图子图
采用启发式方法，研究在大型图中去除极值约束条件找到本地极大二分图子图的问题，并比较基于贪心策略、模拟退火和遗传算法的三种发现子图的启发式算法的结果。
- 基于模拟退火的差分隐私随机梯度下降算法
本文提出了一个基于模拟退火算法的差分隐私随机梯度下降（SA-DPSGD）方案，该方案通过对候选更新进行概率筛选，使得梯度下降朝着正确方向进行，并最终获得更准确的模型。在 MNIST、FashionMNIST 和 CIFAR10 数据集上进行 - GraspCaps: Capsule Networks 适用于抓取熟知物体
本文介绍了一种基于胶囊网络的 GraspCaps 架构，用于根据点云数据生成每个点的物体抓取向量，并使用模拟退火方法生成大型抓取数据集进行网络训练。作者在真实和模拟场景下进行了大量实验，评估了所提出方法的表现，包括在熟悉的对象识别准确性和抓 - 基于自适应模拟退火和强化学习的电动车容量路径问题新超启发式
本研究提出了一种称为 HHASA_{RL} 的超启发式方法来解决容量限制电动车路线问题，该问题包含了电动车的充电站数量有限以及行驶范围的限制，这种方法通过将多臂赌博机方法和自适应模拟退火算法相结合，以改进已有的解决方案并在 IEEE WCC - AAAI即使学习最弱的学习者，我们也能学到什么？—— 为编程策略学习草图
使用行为克隆进行草图学习可帮助合成程序化策略，与传统方法相比，我们的综合器可以生成优于传统方法和最新竞争方法的策略。
- 利用全向图像完善技术提高新视角合成质量
本文介绍了一种基于神经辐射场（NeRF）的方法，用于从单个 360 度 RGB-D 图像合成新景象，并利用 2D 图像生成模型，最大权重独立集问题和模拟退火等算法，以优化生成的图像。
- CITS：一种基于同步伊辛树搜索算法的组合优化问题求解算法
本文提出了一种基于模拟退火的启发式搜索算法，在搜索空间上通过展开马尔可夫链到递归深度树来寻找最优解，利用连续表示的自旋状态和正则化项以及振荡子的动力学来探索选定的树节点周围的搜索空间，并在 NP - 困难问题（MAX-CUT）上验证了该算法 - AAAI学习为采矿复合体同步随机优化制定启发式调度策略
通过学习挖掘复合物在利用模拟退火算法解决问题中的性能以及多种启发式算法的组合，提出了一种自学自适应的超启发式算法，用于解决挖掘复合物的大规模随机组合优化问题。该算法被称为 L2P，并在多个实际挖掘场景中进行了测试，显示出可以减少迭代次数和计 - 迭代量子退火贪婪参数优化
本研究提出了一种简单的过程以变量确定具有 $y$ 轴方向场的横场伊辛模型中的参数集，该方法通过短退火过程的输出对 $y$ 场项系数的符号进行贪婪优化，通过测试，我们发现该方法表现优于传统量子退火和模拟退火，特别是在更短的冷却时间下，提高了解 - ICCVFOX-NAS: 快速、设备本地且可解释的神经架构搜索
FOX-NAS 提出了一种基于模拟退火和多元回归的快速可解释性的预测方法，能较高效地量化并在边缘部署，实验结果显示 FOX-NAS 模型的性能优于其他流行的神经网络架构，获得了 2020 年低功耗计算机视觉挑战赛 (DSP 分类) 第三名。
- 基于搜索学习的自监督文本生成
本研究提出了一种名为 TGLS 的无监督文本生成方法，采用模拟退火算法和条件生成模型相结合，取得了在同类方法中最佳的生成效果。