A Multicore Tool for Constraint Solving
University of Bologna(博洛尼亚大学);INRIA(法国国家信息与自动化研究所)
* 出现在IJCAI 2015会议录中 * 在约束编程(CP)中,投资组合求解器使用各种不同的求解器来解决给定的约束满足/优化问题。在本文中,我们将介绍Sunny-CP 2:第一个并行CP组合求解器,使其求解器在多核设置中的动态,合作和同时执行。它集成了最先进的求解器,还提供了一个可用和可配置的框架。实证结果非常有希望。Sunny-CP 2甚至可以胜过Oracle求解器的性能,Oracle求解器总是为给定问题选择组合的最佳求解器。
2015-04-30 cs.AI
An Enhanced Features Extractor for a Portfolio of Constraint Solvers
University of Bologna(博洛尼亚大学);INRIA(法国国家信息与自动化研究所)
最近的研究表明,一个任意有效的求解器可以显着优于一个投资组合的可能较慢的平均求解器。求解器的选择通常是通过(非)监督学习技术,利用从问题规范提取的功能。在本文中,我们提出了一个有用的和灵活的框架,能够提取一个广泛的功能集的约束(满意度/优化)可能不同的建模语言定义的问题:MiniZinc,FlatZinc或XCSP。我们还报告了一些实证结果表明,使用这些功能可以获得的性能是有效的,具有竞争力的最先进的CSP投资组合技术。
2014-04-02 cs.AI cs.LG
Transformation-based Feature Computation for Algorithm Portfolios
Insight Centre for Data Analytics(洞察数据分析中心);University College Cork(科克大学学院);Oracle America Inc.(甲骨文美国公司)
实例特定的算法配置和算法组合已被证明在各种应用领域中提供比单一算法方法显著的改进。在SAT和CSP领域,算法组合在过去五年中一直主导着这些领域的主要竞争。要使组合办法有效,必须满足两个关键条件。首先,需要一组互补的求解器来制作投资组合。其次,必须有一个问题特征的集合,可以准确地识别实例之间的结构差异。本文重点讨论后一个问题:特征表示,因为,与SAT不同,不是每个问题都有很好的研究特征。我们采用著名的SATzilla功能集,但计算不同的SAT编码的CSP的替代集。我们表明,无论使用什么编码转换的实例,保持足够的结构信息,以区分问题的实例,这可以被利用,使一个有效的投资组合为基础的CSP求解器。
2014-01-10 cs.AI
DistMS: A Non-Portfolio Distributed Solver for Maximum Satisfiability
INESC-ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院)
最成功的并行SAT和MaxSAT求解器遵循组合方法,其中每个线程应用不同的算法(或不同配置的相同算法)来解决给定的问题实例。构建投资组合的主要目标是使每个线程执行的搜索过程多样化。只要一个线程完成,就可以认为实例已解决。在本文中,我们提出了一个新的开源分布式求解器的MaxSAT解决,解决了两个常见的问题,在多核并行求解器,即内存争用和可扩展性。初步结果表明,我们的非投资组合分布式MaxSAT求解器优于其顺序版本,并能够解决更多的情况下,进程的数量增加。
2015-05-10 cs.AI cs.LO
A portfolio-based analysis method for competition results
University of St Andrews(圣安德鲁斯大学)
竞赛,如MiniZinc挑战赛或SAT竞赛,对于比较不同解决方法的性能和推进该领域的最新技术是非常有用的来源。传统的竞赛设置通常侧重于根据解决者在各种基准问题和实例中的平均表现来产生解决者之间的排名。虽然这是评估求解器相对性能的明智方法,但这种排名并不一定反映求解器的全部潜力,特别是当我们想要利用求解器组合而不是单个求解器来解决新问题时。在本文中,我将描述一个组合为基础的分析方法,可以提供互补的见解,在竞争中的参与求解器的性能。MiniZinc挑战赛的结果证明了该方法,并从投资组合的角度提出了新的见解。
2022-05-30 cs.AI
SUNNY: a Lazy Portfolio Approach for Constraint Solving
Department of Computer Science and Engineering/Lab. Focus INRIA University of Bologna(博洛尼亚大学计算机科学与工程系/INRIA Focus实验室)
* 出现在逻辑编程理论与实践(TPLP)中 * 在约束求解的背景下,组合方法允许人们利用不同求解器之间的协同作用,以创建全局更好的求解器。在本文中,我们提出了SUNNY:一个简单而灵活的算法,利用投资组合的约束求解器,以计算-没有学习一个明确的模型-一个时间表,他们解决一个给定的约束满足问题(CSP)。受到SUNNY与其他最先进方法的不同模拟所达到的性能的激励,我们开发了sunny-csp,这是一种有效的投资组合求解器,它利用底层的SUNNY算法来求解给定的CSP。对MiniZinc模型的详尽基准进行的实证测试表明,SUNNY的实际表现符合预测。这对于提高CSP组合求解器的能力以及尝试将它们导出到诸如答案集编程和约束逻辑编程等领域都是令人鼓舞的。
2014-05-13 cs.AI
Portfolio Search and Optimization for General Strategy Game-Playing
Queen Mary University of London(伦敦玛丽女王大学)
投资组合方法代表了一种简单但有效的动作抽象类型,它已被证明可以提高基于搜索的代理在一系列策略游戏中的性能。我们首先回顾现有的投资组合技术,并提出了一个新的算法的基础上滚动地平线进化算法的优化和行动选择。此外,开发了一系列变体来解决不同方面的问题。我们进一步分析了讨论的代理在一般策略游戏任务的性能。为此,我们运行三个不同的游戏模式的策略框架的实验。对于代理参数和投资组合的优化,我们研究了使用N元组Bandit进化算法。由此产生的投资组合集表明,在发挥风格的高度多样性,同时能够一贯击败样本代理。代理的性能分析表明,所提出的算法推广到所有的游戏模式,能够优于其他投资组合方法。
2021-04-21 cs.AI
Automatic Construction of Parallel Portfolios via Explicit Instance Grouping
Southern University of Science and Technology(南方科技大学);University of Science and Technology of China(中国科学技术大学);USTC-Birmingham Joint Research Institute in Intelligent Computation and Its Applications (UBRI)(中国科学技术大学-伯明翰大学智能计算及其应用联合研究院)
同时使用多个互补求解器是解决计算困难问题的一种简单而有效的策略。然而,手动构建这样的求解器组合通常需要相当多的领域知识和大量的人力。作为一种替代方案,自动构造并行组合(ACPP)的目的是自动构建有效的并行组合的基础上,一个给定的问题实例集和给定的丰富的设计空间。解决ACPP问题的一个有前途的方法是显式地将实例分组为不同的子集,并促进组件求解器来处理每个子集。实验结果表明,该方法所构造的并行文件夹能够获得比状态-最先进的ACPP方法,甚至可以与复杂的手工设计的并行求解器相媲美。
2018-04-17 cs.AI
Generalization in portfolio-based algorithm selection
Carnegie Mellon University(卡内基梅隆大学);Optimized Markets, Inc.(优化市场公司);Strategic Machine, Inc.(战略机器公司);Strategy Robot, Inc.(战略机器人公司)
基于投资组合的算法选择在过去二十年中取得了巨大的实际成功。该算法配置过程的工作原理是首先选择不同算法参数设置的组合,然后在给定的问题实例上,使用算法选择器从具有强预测性能的组合中选择参数设置。通常,投资组合和算法选择器都是使用来自当前应用领域的典型问题实例的训练集来选择的。在本文中,我们提供了第一个可证明的保证投资组合为基础的算法选择。我们分析了训练集应该有多大,以确保所得到的算法选择器在训练集上的平均性能接近其未来(预期)性能。这涉及到分析这两个量可能出现分歧的三个关键原因:1)算法选择器的学习理论复杂度,2)投资组合的大小,以及3)算法性能的学习理论复杂度作为其参数的函数。我们一起介绍了投资组合构建和算法选择的端到端学习理论分析。我们证明,如果投资组合是大的,过拟合是不可避免的,即使是一个非常简单的算法选择器。通过实验,我们说明了我们的理论分析所暴露的权衡:随着我们增加投资组合的规模,我们可以希望为每个可能的问题实例包括一个非常合适的参数设置,但它变得不可能避免过拟合。
2020-12-24 cs.AI
COCOpf: An Algorithm Portfolio Framework
Czech Technical University(捷克理工大学)
算法组合表示在单个通用求解器中组合多个启发式算法的策略,每个启发式算法适合于不同类别的问题,该通用求解器将为每个输入选择最适合的算法。这种方法最近获得了普及,特别是解决组合问题,但优化应用仍然是新兴的。BBOB workshop系列的COCO平台是目前衡量连续黑箱优化算法性能的标准方法。作为对COCO平台的扩展,我们提出了基于Python的COCOpf框架,该框架允许组合优化算法并使用不同的选择策略运行实验。在我们的框架中,我们专注于黑盒算法组合和在线自适应选择。作为演示,我们单独测量股票SciPy优化算法和流行的CMA算法的性能,并在具有两个简单选择策略的投资组合中进行测量。我们确认,即使是一个天真的选择策略可以提供更好的性能跨问题类。
2014-05-14 cs.AI
Switching Portfolios
AT&T Labs(AT&T实验室)
恒定再平衡投资组合是一种资产配置算法,该算法在一段时间内保持一组资产之间的财富分配相同。最近,已经有在线投资组合选择算法的工作,这些算法与事后确定的最佳恒定再平衡投资组合具有竞争力。就其本质而言,这些算法采用的假设是,使用固定的资产配置策略可以实现高回报。然而,股票市场远不是静止的,在许多情况下,通过不断重新平衡的投资组合获得的财富远远小于通过适应市场变化的临时投资策略获得的财富。在本文中,我们提出了一个有效的贝叶斯投资组合选择算法,能够跟踪不断变化的市场。我们还描述了一个简单的扩展算法的情况下,一般的交易成本,包括交易成本模型最近调查的百隆和卡莱。我们提供了一个简单的分析算法的竞争力,并检查其性能的真实股票数据从纽约证券交易所积累在22年的时间。
2013-01-30 cs.AI q-fin.PM
Integer Linear Programming Preprocessing for Maximum Satisfiability
Laboratoire MIS UR 4290 Université de Picardie Jules Verne(MIS实验室 帕莱尔大学)
本文提出将整数线性规划预处理技术整合到MaxSAT求解流程中,从而提升多个顶级MaxSAT求解器的性能,尤其在未加权赛道中表现突出。
2026-01-26 cs.AI
Zero Training Overhead Portfolios for Learning to Solve Combinatorial Problems
Cornell University(康奈尔大学)
近年来,利用深度学习来解决组合优化(CO)问题的兴趣越来越大。典型的CO深度学习方法利用模型架构中的问题结构。尽管如此,模型选择仍然主要基于传统的机器学习设置。由于CO问题的离散性,单个模型不太可能完全学习问题。我们介绍ZTop,它代表零训练开销组合,一个简单而有效的模型选择和集成机制,用于学习解决组合问题。ZTop的灵感来自算法组合,一种流行的CO集成策略,特别是重启组合,它周期性地重启随机CO算法,实际上是用不同的算法探索搜索空间。我们已经观察到,在相同的训练轨迹中获得的经过良好训练的模型,具有相似的顶级验证性能,在非常不同的验证实例中表现良好。根据这一观察结果,ZTop集成了一组经过良好训练的模型,每个模型都提供了一个独特的启发式算法,并且可以顺序或并行地应用它们来解决测试实例。我们展示了ZTopping,即,使用ZTop集成策略与给定的深度学习方法,可以显著提高当前最先进的深度学习方法在三个原型CO域、最难的唯一解数独实例、具有挑战性的路由问题和图最大割问题上的性能,以及在多标签分类(具有大组合标签空间的机器学习任务)上的性能。
2021-02-05 cs.AI
Learning to Manage Investment Portfolios beyond Simple Utility Functions
University of Oxford(牛津大学)
虽然投资基金公开披露其目标,但它们的经理人会优化竞争目标的复杂组合,而不仅仅是简单的风险回报权衡。传统的方法试图通过多目标效用函数来对此进行建模,但在规范和参数化方面面临着根本性的挑战。我们提出了一个生成框架,学习基金经理策略的潜在代表,而不需要明确的效用规范。我们的方法直接建模的条件概率的基金的投资组合权重,给定的股票特征,历史收益,以前的权重,和一个潜在的变量代表基金的策略。与基于强化学习或模仿学习的方法不同,这些方法需要指定的奖励或标记的专家目标,我们基于GAN的架构直接从观察到的持股和市场数据的联合分布中学习。我们验证了我们的框架上的数据集1436美国股票共同基金。学习的表示成功地捕捉已知的投资风格,如“增长”和“价值”,同时也揭示了隐含的管理目标。例如,我们发现,虽然许多基金表现出的特点,马科维茨式的优化,他们这样做的营业额,集中度和潜在因素的异构实现。为了分析和解释端到端模型,我们开发了一系列解释模型的测试,并且我们表明基准的专家标签以线性可解释的方式包含在我们的模型编码中。我们的框架提供了一种数据驱动的方法,用于描述市场模拟,策略归因和监管监督中应用的投资策略。
2025-10-30 cs.AI cs.CE q-fin.PM
Variable Division and Optimization for Constrained Multiobjective Portfolio Problems
East China Normal University(华东师范大学)
变量划分与优化(D\&O)是进化算法(EA)中一种常用的算法设计范式。D &O进化算法将一个变量分解为多个部分变量,然后分别对它们进行优化。因此,一个复杂的问题被分解成简单的子任务。例如,投资组合问题的一个变量可以分解为两个部分变量,即资产的选择和资本的分配。因此,我们分别优化这两个部分变量。没有正式的讨论如何迭代优化部分变量,以及为什么它可以工作的单目标和多目标问题的D\&O。本文填补了这一空白。在此基础上,提出了多目标问题中部分变量的精英选择方法。然后将该方法引入到基于分解的多目标进化算法(D &O-MOEA/D)中。在数学规划优化器的帮助下,实现了约束多目标投资组合问题。在实证研究中,D &O-MOEA/D被应用于20个实例和中国近期的股票市场。结果表明,D &O-MOEA/D在大规模问题上具有较好的优越性和通用性,在小规模问题上也有较好的性能。前者的目标收敛到帕累托前沿和后者有助于促进多样性的非支配解决方案在搜索过程中。
2021-01-21 cs.AI cs.NE