研究人员开发了RL-HGGA，这是一种结合了元启发式方法和强化学习来解决一维装箱问题的新型算法。这种混合方法使用Q学习代理动态选择遗传算子，从而在保持具有竞争力的解决方案质量的同时，显著减少了计算时间。在基准数据集上的实验表明，RL-HGGA的平均最优性差距为0.95%，在效率方面比以前的方法有了实质性改进。 AI
影响 这项研究展示了强化学习如何显著提高解决复杂优化问题的效率。
排序理由 该条目是arXiv预印本，详细介绍了一种用于组合优化问题的新算法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- BPCX
- Falkenauer's Hybrid Grouping Genetic Algorithm
- Falkenauer T/U
- Hard28
- HGGA
- Martello-Toth
- Q-learning
- RL-HGGA
- Scholl 1-3
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
