simulated annealing
PulseAugur coverage of simulated annealing — every cluster mentioning simulated annealing across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
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。