Adaptive large neighborhood search for integrated planning in railroad classification yards
PulseAugur coverage of Adaptive large neighborhood search for integrated planning in railroad classification yards — every cluster mentioning Adaptive large neighborhood search for integrated planning in railroad classification yards across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新型混合求解器解决复杂的客货路线规划问题
研究人员开发了一种新颖的混合求解器,用于集成客货运输问题,这是一个复杂的路线规划挑战,涉及带有时间窗口和异构车辆的选择性取送。该求解器已提交给SOICT 2026竞赛,它结合了几种优化技术,包括贪婪插入、局部搜索以及带有模拟退火的自适应大邻域搜索(ALNS)。它还包含一个精确的路线选择引擎,该引擎利用分支定界、拉格朗日界和减价固定来解决集合打包问题,在严格的时间和内存限制内,在评分实例上表现出强大的性能。
-
新的FPTR方法优化无线波束和资源分配
一篇新研究论文介绍了一种名为可行性保持事务性优化(FPTR)的方法,该方法旨在优化无线调度系统中的波束和资源分配。FPTR确保即使在计算资源受截止日期限制的情况下,也能始终保持有效且可行的分配。该系统采用多阶段优化过程,仅当新的候选方案完整、可行且提供严格改进时才替换当前分配,在100毫秒的截止日期内,平均流量比参考方法增加了3.83%,并优于六个独立搜索基线,最高可达8.35%。
-
新的FPTR方法在严格截止日期下优化无线调度器分配
研究人员开发了可行性保持事务性优化(FPTR),一种用于在严格截止日期约束下优化无线调度器分配的新颖方法。FPTR确保始终维护一个经过验证的可行分配,并且新的候选者只有在满足可行性标准并在各自截止日期前改进目标时才能取代现有者。该方法在测试中显示流量比基线增加了3.83%,并且在性能上优于六种独立搜索算法,最高可达8.35%,所有运行均在100毫秒的效用截止日期内完成。
-
AI驱动的方法在不确定性下的自动拼车服务中得到测试
一篇新的研究论文探讨了在不确定性下解决电动自动叫车问题(EADARP)的自适应算子选择方法。该研究聚焦于一个双层大邻域搜索框架,比较了六种不同的选择策略,包括固定贪婪、基于遗憾、随机、基于确定性规则、性能自适应ALNS以及基于LLM的状态感知选择。结果表明,虽然在较小的问题实例上性能相似,但在更大、更受约束的EADARP场景中会出现差异,这表明没有一种策略是普遍最优的。
-
RACL方法通过推理代理控制增强元启发式学习
研究人员推出了一种新颖的推理-代理控制层(RACL),旨在增强元启发式学习。RACL将一个推理代理集成到现有优化器之上,使其能够在不改变核心约束的情况下控制优化器的搜索行为。该方法在车辆路径测试用例中表现出改进,优于现有策略,并显示出最小的计算开销。概念验证利用Codex作为循环中的推理代理,在优化过程中观察、解释和提出干预措施。