maximum independent set
PulseAugur coverage of maximum independent set — every cluster mentioning maximum independent set across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法实现神经组合优化的基于种群的架构
研究人员开发了将基于种群的策略集成到神经组合优化中的新方法。这种方法旨在增强用于优化任务的神经网络的鲁棒性和探索能力。所提出的技术解决了在神经网络中表示整个种群以及学习平衡解的质量和多样性的动态方面的挑战。在最大割和最大独立集问题上的实验证明了将种群结构纳入学习优化方法的优点。
-
研究论文揭示硬优化问题算法收敛缓慢
一篇新的研究论文探讨了为硬优化问题（其中许多是NP-hard问题）设计的算法的收敛速度。该研究采用对随机实例的平均情况分析，表明虽然算法最终会达到理论预测的界限，但这种收敛可能极其缓慢。研究结果表明，即使渐近理论预测算法会失败，精巧的设计选择对于实际性能仍然至关重要，尤其是在中间问题领域。
-
研究发现量子算法理论不适用于浅层电路
一项新的研究论文挑战了变分量子算法（VQAs）的现有理论，特别是当量子近似优化算法（QAOA）应用于最大独立集问题时。研究发现，动态李代数（DLA）理论关于损失和梯度方差消失的预测在浅层电路中并不成立。相反，该研究确定了常见的“崎岖地形”，其中方差随系统大小呈多项式增长，这与DLA的预测相矛盾。开发了经验硬度模型来预测实例级别的难度，尽管泛化能力较差，但在识别景观缩放类别方面显示出高保真度。
-
新的连续松弛方法简化了用于基于梯度的优化的Ising问题
研究人员开发了一种新颖的Ising问题连续松弛技术，Ising问题是许多复杂组合挑战（如MAX-CUT和数字分区）的基础。这种新方法在松弛的局部最小值与原始问题的单翻转最小值之间建立了直接对应关系。通过将Ising问题转化为寻找平滑函数的局部最小值，该方法可以使用ADAM等基于梯度的优化器，并在各种基准测试中展示了可扩展性和强大的性能。
-
新的LoRe方法提高了AI求解器在优化问题上的效率
研究人员开发了LoRe，一种用于组合优化中基于扩散的神经网络求解器的新型无训练包装器。LoRe在每次迭代中动态分配计算预算，专注于高冲突或高不确定性交互，而不是固定的稀疏化。这种方法显著提高了可扩展性，减少了内存使用，并加快了最大独立集和旅行商问题等问题的推理速度，同时保持了解决方案的质量。
-
研究论文发现鲍德温进化和拉马克进化在进化算法中优于达尔文进化
一篇新研究论文在进化算法（EAs）中重新审视了拉马克进化和鲍德温进化，并将其与达尔文进化进行了比较。在最大独立集和最大割问题的六个数据集上的实证结果表明，鲍德温进化和拉马克进化EA在性能上始终优于达尔文进化EA，并且常常超越最近的深度学习基线。理论分析还表明，对于长度大于二的块，鲍德温进化的渐近速度快于拉马克进化，而拉马克进化又快于达尔文进化。