Metaheuristics
PulseAugur coverage of Metaheuristics — every cluster mentioning Metaheuristics across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的CP-SAT方法优化医疗劳动力调度
研究人员开发了CP-SAT，一种用于优化医疗劳动力调度的创新约束编程方法。该方法通过强制执行14个硬约束来保证合规性，并利用加权惩罚函数优化15个软目标，从而解决了该问题的NP-hard性质。CP-SAT通过处理多角色和多技能员工、纳入复杂的休息调度以及确保工作量公平性，显著优于现有方法，并在各种基准实例上展示了可扩展性和最优性。
-
新的TTP-D问题使用DRL优化无人机辅助收集路线
研究人员提出了携带无人机的旅行窃贼问题（TTP-D），这是一个新的问题表述，用于优化物品选择、车辆路线和无人机飞行同步以最大化利润。该方法对小规模实例使用混合整数线性规划，并为大规模实例开发了元启发式算法和深度强化学习（DRL）策略。一种结合DRL策略和退火运行的混合求解器在以降低的计算成本恢复解的质量方面显示出潜力。
-
新研究提出将黑盒对抗性攻击作为机器学习优化基准
一篇新的研究论文提出，将黑盒对抗性攻击（BBAA）用作机器学习中全局优化方法的基准。作者认为，当前的基准套件太小，并且依赖于过时的分析函数，可能会导致新优化技术的发展产生偏差。他们证明了进化算法和元启发式算法在解决 BBAA 问题方面的有效性，表明这种方法可以更好地使全局优化与现代机器学习挑战保持一致。
-
基于方差演化理论分析蝙蝠算法参数设置
本文深入探讨了蝙蝠算法（一种进化计算算法）的参数设置的理论分析。研究人员证明，应用动力学系统理论并分析种群方差演化可以得出有效的参数范围。这种理论方法的结果与数值实验结果一致，为算法的探索、开发和收敛行为提供了见解。
-
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。