simulated annealing
PulseAugur coverage of simulated annealing — every cluster mentioning simulated annealing across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
新工具利用Ising模型合成概率处理器以实现优化
研究人员开发了一种新工具，旨在合成和模拟利用Ising模型解决复杂组合优化问题的概率处理器。该工具可根据问题的具体情况自动生成Ising哈密顿量并确定所需的概率比特（p-bits）数量。它还采用一种自适应策略，从包括Gibbs采样、模拟退火、模拟量子退火和基于集群的方法在内的选项中选择最优更新算法。初步实验表明，这种灵活的框架提供了改进的收敛性，并支持未来硬件实现的开发。
-
新的守恒定律量化了程序发现的成本
一篇新论文引入了一种用于程序发现的守恒定律，该定律表明将结构化知识注入搜索算法会直接权衡搜索工作量。该定律量化了找到生成给定序列的最短程序的成本，表明像 Levin 搜索和进化算法这样的现有方法具有与搜索问题的耦合宽度相关的指数级最坏情况下界。该研究提出了一种替代方法，该方法分析候选程序的结构，而不仅仅是其分数，尽管对于通用目标可能不完整，但在恢复测试序列（包括基本细胞自动机）的很大一部分的生成程序方面取得了成功。
-
元启发式算法优化太阳能电器调度
本文介绍了一种使用迭代局部搜索（ILS）和模拟退火（SA）的元启发式方法，用于优化太阳能管理的电器调度。目标是通过将电器使用与发电时间对齐来最大化太阳能利用率，同时最小化用户不便并遵守电池充电和逆变器限制等系统约束。所提出的方法将调度范围扩展到单日之外，以处理溢出的任务，确保连续性并实现多日顺序操作。
-
新的缓存技术提升LLM和扩散模型效率
研究人员开发了MiniPIC，一种用于大型语言模型推理的高效缓存新方法，只需对vLLM等现有系统进行少于100行的代码更改。该方法将预填充吞吐量提高了49%，并显著降低了缓存跨度的延迟。此外，还为扩散模型引入了一种名为BudCache的新技术，该技术根据固定的计算预算优化缓存策略，以保持输出质量，在FLUX.1-dev和Wan2.1上表现优于启发式方法。