Variable Annealing Length and Parallelism in Simulated Annealing
Stockton University(斯托克顿大学)
针对模拟退火需预设退火长度的问题,提出基于指数递增退火长度的无参数重启调度及并行扩展方案,在NP-Hard调度问题上验证了其作为任意时间算法的显著性能优势。
2017-09-08 cs.AI cs.DC cs.NE
A Simulated Annealing Approach to Bayesian Inference
Eawag, Swiss Federal Institute of Aquatic Science and Technology(瑞士联邦水科学与技术研究所(Eawag))
提出了一种从数据中提取模型参数概率(贝叶斯)信息的通用算法。该算法在模型参数和输出的乘积空间中传播粒子系综。每个粒子更新包括参数空间中的随机跳跃,随后是模型输出的模拟和基于模拟输出与数据的比较的Metropolis接受/拒绝步骤。粒子到数据的距离被解释为能量,并且算法正在降低系综的相关温度,使得熵产生最小化。如果这种模拟退火与参数空间中的混合速度相比不是太快,则系综的参数边际接近贝叶斯后验分布。退火是自适应的,并且依赖于某些广泛的热力学量,这些热力学量可以在整个运行时轻松测量。在一般情况下,我们建议退火与恒定的熵产生率,这是最佳的,只要退火不是太快。对于实际相关的特殊情况下,没有先验知识,我们推导出一个最佳的快速退火时间表与非恒定的熵产生率。该算法不需要计算模型似然的密度,这使得它有趣的贝叶斯参数推断与随机模型,其似然函数通常是非常高维的积分。
2015-09-17 cs.AI stat.CO
Ergodic Annealing
Bocconi University(博科尼大学)
模拟退火是马尔可夫链蒙特卡罗方法的最高荣誉,用于解决NP-难优化问题,其中的成本函数是已知的。在这里,通过用一种强化学习变体--我们称之为澳门算法--取代模拟退火的Metropolis引擎,我们表明,当成本函数未知并且必须由人工代理学习时,模拟退火启发式也可以非常有效。
2020-08-01 cs.AI econ.TH math.PR
An Exploratory Study on Simulated Annealing for Feature Selection in Learning-to-Rank
University of Dhaka(达卡大学)
本文探索了模拟退火在学习排序特征选择中的应用,通过引入进度参数等新策略优化搜索空间遍历,并在五个基准数据集上验证了其优于局部束搜索的有效性。
2023-10-20 cs.AI cs.IR cs.LG
A Simulated Annealing Algorithm for Joint Stratification and Sample Allocation Designs
Cork University Business School, University College Cork(爱尔兰科克大学科克大学商学院)
本研究将模拟退火与delta评估结合,以解决联合分层与样本分配问题。在这个问题中,原子层被划分为相互排斥和集体穷举的层。原子层的每个分区是分层问题的可能解决方案,其质量由其成本来衡量。可能的解决方案的贝尔数是巨大的,即使是一个中等数量的原子层,并增加了一个额外的复杂性层与每个解决方案的评估时间。许多大规模的组合优化问题不能被解决到最优,因为搜索最优解需要大量的计算时间。一些局部搜索启发式算法已被设计用于这个问题,但这些可能会陷入局部极小值,防止任何进一步的改进。我们添加到现有的本地搜索算法套件,模拟退火算法,允许从局部极小值逃逸,并使用三角洲评估,利用连续的解决方案之间的相似性,从而减少了评估时间。我们比较了模拟退火算法与两个最近的算法。在这两种情况下,模拟退火算法在相当少的计算时间内获得了质量相当的解决方案。
2021-11-22 cs.AI cs.LG math.OC
The cyclic job-shop scheduling problem: The new subclass of the job-shop problem and applying the Simulated annealing to solve it
Novosibirsk State Technical University(新西伯利亚国立技术大学)
本文介绍了一种求解排序问题的新方法。该方法处理的问题,规划的周期性生产,并建议考虑这样的调度问题的顺序为k,其中k是数量的循环job-shop问题。已经发现,仅规划循环的一次迭代不如规划整个循环有效。在实验研究中,使用运筹学库中的Job-shop调度问题的多个测试实例。采用模拟退火算法对实例进行求解。实验证明,该方法可以提高循环调度的效率显着。
2020-06-19 cs.AI cs.NE
A new Hyper-heuristic based on Adaptive Simulated Annealing and Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem
University of Deusto(德乌斯托大学);Ikerbasque, Basque Foundation for Science(伊克巴斯克,巴斯克科学基金会);Universidad de Guadalajara(瓜达拉哈拉大学)
由于货运车辆数量的增加,电动车辆(EV)已经在城市地区被采用以减少环境污染和全球变暖。然而,在最后一英里物流的路线方面仍然存在不足,继续影响社会和经济的可持续性。为此,本文提出了一种超启发式(HH)方法,称为超启发式自适应模拟退火与强化学习(HHASA $_{RL}$)。它是由一个多臂强盗方法和自适应模拟退火(SA)元启发式算法求解的问题称为有容量限制的电动车辆路径问题(CEVRP)。由于充电站的数量和电动汽车的行驶范围有限,电动汽车必须提前要求电池充电时刻,并减少行驶时间和成本。HH实现改进了多个最小最知名的解决方案,并获得了最佳的平均值为IEEE WCCI 2020竞争的拟议基准的一些高维实例。
2022-06-07 cs.AI cs.LG
Learning Regular Expressions for Interpretable Medical Text Classification Using a Pool-based Simulated Annealing and Word-vector Models
Ping An Health Cloud Company Limited(平安健康云科技有限公司)
在本文中,我们提出了一个基于规则的引擎组成的高质量和可解释的正则表达式的医学文本分类。正则表达式由构造性探试法自动生成,并使用基于池的模拟退火(PSA)方法进行优化。尽管现有的深度神经网络(DNN)方法在大多数自然语言处理(NLP)应用中表现出高质量的性能,但这些解决方案被认为是人类无法解释的黑箱。因此,当需要可解释的解决方案时,通常会引入基于规则的方法,特别是在医学领域。然而,对于大型数据集,正则表达式的构造可能是极其劳动密集型的。本研究旨在减少人工工作,同时保持高质量的解决方案
2020-11-16 cs.AI cs.CL
GPU-accelerated simulated annealing based on p-bits with real-world device-variability modeling
Research Institute of Electrical Communication, Tohoku University(电气通信研究所,东京东大学)
本研究提出基于p-bits的GPU加速模拟退火框架,通过建模设备变异性因素提升算法性能,实现MAX-CUT问题的高效求解。
2026-01-20 cs.AI cs.LG
Customizing Pareto Simulated Annealing for Multi-objective Optimization of Control Cabinet Layout
Linnaeus University(林奈大学);Linköping University(林雪平大学);Cracow University of Technology(克拉科夫理工大学)
确定控制柜组件的最佳位置需要探索较大的配置空间。对于现实世界的控制柜,评估所有可能的柜配置是不切实际的。因此,我们需要应用智能探索机柜配置空间的方法,这些方法能够找到接近最佳的配置,而无需评估所有可能的配置。提出了一种基于Pareto模拟退火算法的控制柜布局多目标优化方法。优化的目的是最大限度地减少用于组件互连的总导线长度和机柜内的热对流。我们模拟热对流来研究控制柜内的热空气流动,并确定在操作过程中产生热量的组件的最佳位置。我们评估和证明我们的方法的有效性,经验为各种控制柜的大小和使用场景。
2019-06-04 cs.AI cs.OH
Placement in Integrated Circuits using Cyclic Reinforcement Learning and Simulated Annealing
Carnegie Mellon University(卡内基梅隆大学);Cadence Design Systems(楷登电子科技公司)
随着集成电路(IC)技术的复杂性稳步提高,IC的物理设计和生产变得越来越具有挑战性。布局是集成电路物理设计中最关键的步骤之一。通过几十年的研究,基于分区、基于分析和基于退火的砂矿已经丰富了放置解决方案工具箱。然而,包括长运行时间和缺乏泛化能力的开放性挑战继续限制现有布局工具的更广泛应用。我们设计了一个基于学习的布局工具的基础上循环应用的强化学习(RL)和模拟退火(SA),利用RL的进步。结果表明,RL模块能够提供一个更好的初始化SA,从而导致更好的最终布局设计。与其他最近的基于学习的布局器相比,我们的方法主要不同之处在于它结合了RL和SA。它利用RL模型在训练后快速获得良好粗略解决方案的能力和启发式算法在解决方案中实现贪婪改进的能力。
2020-11-15 cs.AI cs.LG
An adaptive Simulated Annealing-based satellite observation scheduling method combined with a dynamic task clustering strategy
National University of Defense Technology(国防科技大学);Beijing Institute of Tracking and Telecommunication Technology(北京跟踪与通信技术研究所);Central South University(中南大学);University of Alberta(阿尔伯塔大学);Warsaw School of Information Technology(华沙信息技术学院)
有效的调度对于合理利用稀缺的卫星资源具有重要意义。任务聚类是提高卫星调度效率的有效策略。然而,以前的任务聚类策略是静态的。也就是说,它以两阶段的方式而不是以动态的方式被集成到调度中,而没有表现出其在改善卫星调度性能方面的全部潜力。在这项研究中,我们提出了一个自适应模拟退火调度算法为基础的动态任务聚类策略(或ASA-DTC简称)的卫星观测调度问题(SOSP)聚合。首先,我们开发了一个正式的地球观测卫星的调度模型。其次,我们分析了观察任务聚类过程中涉及的相关约束。第三,详细介绍了动态任务聚类策略和自适应模拟退火算法的实现。自适应模拟退火算法具有自适应温度控制、基于禁忌表的避免重访机制和邻域结构的智能组合等复杂机制,是一种高效的算法。最后,我们报告的实验模拟研究,以证明ASA-DTC的竞争力。此外,我们表明,ASA-DTC是特别有效的,当SOSP包含大量的目标或这些目标密集分布在一定的区域。
2014-01-14 cs.AI cs.CE
A Time-Dependent TSP Formulation for the Design of an Active Debris Removal Mission using Simulated Annealing
Sapienza University of Rome(罗马大学)
提出了一种将主动碎片清除任务设计问题转化为改进的不定常流动推销员问题的方法。TDTSP是一个著名的组合最优化问题,其解是连接地图中多个非平稳城市的最便宜单循环旅游。这个问题是解决与模拟退火的基础上,有效地利用自然的编码和变异算子的精心选择的优化过程。该算法用于同时优化脉冲ADR任务的目标序列和交会时刻。数值结果,包括多达20个目标的集合。
2019-09-23 cs.AI math.CO math.OC
Simulated annealing based heuristic for multiple agile satellites scheduling under cloud coverage uncertainty
School of Astronautics, Beihang University(北京航空航天大学宇航学院);School of Traffic and Transportation Engineering, Central South University(中南大学交通运输工程学院)
针对云层覆盖不确定性下多颗敏捷地球观测卫星的调度收益最大化问题,首次结合机会约束规划与样本近似处理不确定性,提出融合快速插入策略的改进模拟退火启发式算法,经实验验证其效率与效果均优于其他算法。
2021-07-07 cs.AI eess.SP physics.space-ph
Feature Importance Guided Random Forest Learning with Simulated Annealing Based Hyperparameter Tuning
Florida Atlantic University(佛罗里达亚特兰大大学)
本文提出结合概率特征采样与模拟退火超参数调优的随机森林增强框架,提升预测精度与泛化能力,在多领域鲁棒分类中有效,克服传统随机森林局限,结合重要性感知采样与元启发式优化。
2025-10-31 cs.AI cs.ET cs.IT