simulated annealing
PulseAugur coverage of simulated annealing — every cluster mentioning simulated annealing across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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%。
-
新博客推出 AI 寓言和生产力指南
作者推出了一个新博客，网址为 massor.pages.dev，包含 260 多篇常青指南。这些指南涵盖个人理财、生产力、开发者工具以及通过寓言解释的 AI 算法，包括模拟退火、贝叶斯优化和支持向量机。此外，该博客还展示了 30 套自定义 LINE 动画贴纸。
-
量子启发式数据插补显示出改进的分布保真度
研究人员开发了一种新颖的量子启发式框架用于数据插补，这是临床数据集预处理的关键步骤。该方法结合了主成分分析（PCA）和基于量子旋转的重建，利用无梯度优化器（如模拟退火和差分进化）来选择旋转角度。该方法在UCI Pima Indians Diabetes数据集上进行了评估，与包括SoftImpute、MissForest和VAE在内的各种经典和现代机器学习插补方法相比，在分布保真度方面显示出显著的改进。
-
物理驱动的Ising求解器加速计算成像重建
研究人员开发了一种新颖的、由物理驱动的计算压缩成像框架，将重建问题重新表述为Ising模型。该方法利用基于模拟退火的Ising求解器直接从欠采样测量中恢复图像，有可能降低当前方法相关的巨大计算需求。该技术在单像素和无透镜扩散相机设置中已证明具有与主流算法相当或更优的重建质量，为实现实时、低功耗成像提供了途径。
-
FLoRa 架构优化了无人机从能量受限的物联网设备收集数据
研究人员开发了 FLoRa，一种使用无人机 (UAV) 从能量受限的 LoRa 物联网设备收集数据的新型架构。FLoRa 采用多层次优化方法，整合了用于路由的模拟退火、用于定位的协方差矩阵自适应进化策略以及用于探测单个节点的局部可观察马尔可夫决策过程。该系统旨在最大化数据新鲜度和收集效用，同时遵守严格的电池限制，其性能优于现有的元启发式、贪婪和深度强化学习方法。
-
EMD-LSTM-Markov模型在建筑热负荷预测精度方面领先
一篇新论文综述了用于建筑热负荷短期预测的混合预测模型，比较了各种数据驱动技术。研究发现，经验模态分解-长短期记忆-马尔可夫（EMD-LSTM-Markov）模型在预测提前一天供暖和生活热水需求方面取得了最高的准确性。虽然该模型准确预测了局部电力峰值，但它低估了高功率浪涌和尖峰。其他评估的方法，如SVM-SA和RF-ISSA-LSTM，产生了更平滑的需求曲线，但峰值预测精度较低。
-
新方法优化手术连续体机器人的解剖结构和灵巧性设计
研究人员开发了一种新的方法来优化手术连续体机器人的设计，重点关注机器人的灵巧性以及它将操作的具体解剖结构。该方法引入了一个称为“可达体积灵巧实体角”（Reachable Volumetric Dexterous Solid Angle, RVDSA）的度量标准，用于量化机器人在避开碰撞的同时到达目标体积内各点的能力。该方法应用于双手机器人以优化结肠手术，与仅为体积覆盖而优化的设计相比，RVDSA 提高了 78%。
-
新框架STILO优化严格时限下的离散问题
研究人员开发了STILO，一个新颖的元启发式优化框架（MOF），旨在严格时限内为离散优化问题找到高质量的解决方案。STILO集成了蚁群优化（ACO）、遗传算法（GA）和模拟退火（SA）的可配置组件，并结合了新颖和现有的算子。在合成和基准实例上的实验表明，STILO的模拟退火离散距离计算在严格时限下是有效的，并且不同算法族和算子的性能受到问题类型、实例特征和可用计算预算的影响。
-
新的 Langevin-梯度方法加速了非凸函数的全局优化
研究人员开发了一种用于光滑、非凸函数全局优化 的新方法，旨在以指定概率找到绝对最小值。所提出的 Langevin-梯度方法将探索和利用阶段分开，使用随机动力学进行广泛探索，并使用梯度流进行微调。通过将全局探索与所需精度解耦，该策略显著减少了所需计算量，尤其是在低温下。
-
新研究探索组合优化的混合神经网络求解器
两篇新研究论文探讨了用于组合优化问题的先进神经网络方法。第一篇论文介绍了 HyCO，一种结合了强化学习和扩散模型的混合求解器，其遗憾值低于单独使用任一方法。第二篇论文研究了图神经网络，通过引入能量空腔法（energetic cavity method）的概念对其进行修改，以提高在伊辛模型（Ising models）上的性能，但指出模拟退火（simulated annealing）仍然具有竞争力。
-
图神经网络和自适应惩罚提升量子退火在路径规划问题上的性能
研究人员开发了一种新方法，以提高在量子退火器上解决带时间窗的容量车辆路径问题（CVRPTW）的效率。他们的方法利用图神经网络（GNN）进行自适应图粗化，降低了问题表述的复杂性。此外，他们引入了自适应惩罚校准，以提高从量子处理器获得的原始样本的质量。这些进展显著提高了量子退火在复杂路径规划问题上的可行性和性能，如在Solomon基准和D-Wave Advantage2硬件上所展示的。
-
新的T3L-DS方法优化了低轨对地观测星座的应急调度
研究人员开发了一种名为任务驱动三层分布式调度（T3L-DS）的新方法，以解决大规模低地球轨道（LEO）对地观测（EO）星座中的动态应急观测调度问题（DEOSP）。该方法旨在以对常规运行的最小干扰，有效地将紧急任务插入现有的观测计划中。T3L-DS在通用网格上表示任务需求和传感器足迹，形成用于协调的观测能力和星间链路的临时集群。实验表明，T3L-DS在应急覆盖方面优于其他分布式方法，并显著减少了常规覆盖损失。
-
敦促领导者采取战略性、受量子启发的计算之路
建议企业领导者采取一种战略性和审慎的方法来应对量子计算，重点关注可在当前经典硬件上实现的受量子启发的（quantum-inspired）技术。这些技术，例如用于机器学习的受量子启发的特征工程、用于优化的模拟退火以及用于风险评估的蒙特卡洛替代方案，可以在不承担投资不成熟量子技术的早期风险的情况下提供切实的益处。建议组织在探索量子计算之旅时，采用一个强调可测试性和业务成果而非纯粹科学探索的四部分框架。
-
AI框架解决机场交通拥堵，排队时间缩短高达30%
研究人员开发了一个受QUBO启发的计算框架，用于诊断和优化机场地面交通区域的交通流量。该模型使用上海浦东和杭州萧山国际机场的数据进行了测试，旨在缓解高峰期旅客到达造成的拥堵。在基线条件下，受QUBO启发的模型显著减少了旅客排队，上海浦东机场的排队人数从3445人减少到2477人，杭州萧山机场从2053人减少到1482人。该框架在面对需求、供应和容量的各种扰动时也表现出鲁棒性。
-
新的GNN-GA算法优化物理互联网供应链
研究人员开发了一种新颖的图神经网络引导遗传算法（GNN-GA），用于优化物理互联网框架内的复杂供应链网络。该方法结合了离散分配决策和连续流量问题，解决了成本不确定性问题。GNN组件有助于初始化遗传算法的种群，并根据预测不确定性调整变异策略，在测试中表现优于标准的遗传算法和模拟退火。
-
新的贝叶斯优化方法增强了光谱数据分析
研究人员开发了一种新的近红外光谱最优波长选择方法，这对于提高光谱数据在糖含量估算等任务中的准确性和可解释性至关重要。该方法将波长选择视为一个二元黑盒优化问题，利用具有 Thompson 采样的贝叶斯优化来识别相关的波长区域。实验表明，与基于遗传算法的选择和模拟退火相比，这种组合贝叶斯优化方法在偏最小二乘回归中表现更优，能够产生更一致、更鲁棒的波长选择。
-
新的启发式算法提高了放疗调度的效率
研究人员开发了新的启发式方法 RTSP First Fit 和 RTSP Best Fit 来优化放疗调度，解决了现有整数线性规划模型的局限性。这些启发式方法与模拟退火相结合，在获得与精确方法相当的解决方案的同时，显著减少了计算时间和内存使用量。新方法在一个公共数据集上与现有求解器进行了评估，重点关注患者等待时间、偏好满足度和加速器分配。
-
新基准 BBOPlace-Bench 推动 AI 在芯片布局领域的应用
研究人员推出了 BBOPlace-Bench，这是一个新颖的基准测试，旨在评估和推进专门用于芯片布局任务的黑盒优化 (BBO) 算法。该基准测试通过提供一个统一的框架，整合了各种 BBO 问题表述并标准化了芯片案例，以进行全面的算法评估，从而弥补了现有工具的不足。它包含了代表性的 BBO 算法家族，如模拟退火、群体搜索和贝叶斯优化，能够与分析和强化学习基线进行系统的性能比较。
-
新的ARDL模型将公平性融入零售定价策略
研究人员开发了一种新的零售动态定价方法，该方法包含公平性约束，以平衡盈利能力和消费者福利。该方法使用对数-对数自回归分布滞后（ARDL）模型来预测零售销售，并通过优化定价决策来最大化销售，同时遵守与消费者价格指数（CPI）挂钩的价格上限。该框架旨在通过确保价格不超过以CPI为锚定的上限来防止消费者被剥削，并使用模拟退火来寻找能够降低消费者成本但仍能实现销售目标的保守价格。研究还对预测准确性与ARIMA和SARIMA等传统模型进行了基准…
-
新启发式算法计算量大幅减少，性能媲美先进路径规划算法
研究人员为动态多车路径规划问题开发了一种新的奖励密度启发式算法，称为效率启发式算法。该算法旨在最大限度地提高车队在规定时间内收集的累积奖励，同时随着新任务的出现不断重新规划。在自动无人机任务分配和城市出租车调度等应用中进行了测试，效率启发式算法的性能与先进的元启发式算法相当，但所需的计算时间显著减少，确立了帕累托优势。