MAA*: A Heuristic Search Algorithm for Solving Decentralized POMDPs
INRIA Lorraine, LORIA(洛林信息科学研究所);University of Massachusetts(马萨诸塞大学)
本文提出了多智能体A*(MAA*)算法,它是求解有限时域分散部分可观测马尔可夫决策问题(DEC-POMDP)的第一个完整的最优启发式搜索算法.该算法适用于计算在随机环境中,如多机器人协调,网络交通控制,或分布式资源分配的代理的合作组的最优计划。有效地解决这些问题是不确定性规划领域的一个重大挑战。我们的解决方案是基于经典的启发式搜索和分散控制理论的合成。实验结果表明,MAA* 具有明显的优势。我们介绍了一个随时变MAA*,并结束了讨论有前途的扩展,如解决无限地平线问题的方法。
2012-07-04 cs.AI
Inductive Learning of Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利公司)
本文提出利用归纳逻辑编程从最优答案集示例中自动学习ASP领域特定声明式启发式,实验证明该方法能提升大规模难题的求解性能与解质量。
2023-08-30 cs.AI
A Comparative Study of Meta-heuristic Algorithms for Solving Quadratic Assignment Problem
Ain Shams University(艾因夏姆斯大学)
二次分配问题(QAP)是一个NP难的组合优化问题,求解QAP需要使用一种或多种元启发式算法。本文提出了一个比较研究之间的元启发式算法:遗传算法,禁忌搜索,模拟退火解决现实生活(QAP),并分析其性能的运行效率和解决方案的质量。结果表明,与其他元启发式算法相比,遗传算法具有更好的解质量,禁忌搜索具有更快的执行时间。
2014-07-18 cs.AI cs.NE
A Heuristic Method for Solving the Problem of Partitioning Graphs with Supply and Demand
Institute of Physics, University of Belgrade(贝尔格莱德大学物理研究所);Qatar Environment and Energy Research Institute (QEERI)(卡塔尔环境与能源研究所);Institute of Information Systems, University of Hamburg(汉堡大学信息系统研究所)
本文提出了一种求解图的最大划分问题的贪心算法。该方法的目标是在合理的时间限制内解决大型图的MPGSD。这是通过使用两阶段贪心算法来完成的,具有两种相应类型的算法。以这种方式获得的解决方案通过应用计算上廉价的,爬山式的,贪婪的校正程序来改进。在我们的数值实验中,我们分析了不同的启发式功能的贪心算法的每个阶段,并表明其性能是高度依赖于特定实例的属性。我们的测试表明,通过探索一个相对较少的解决方案,通过结合不同的启发式函数,并应用所提出的校正程序,我们可以找到的解决方案,只有百分之几的最优的。
2014-11-02 cs.AI
Specifying and Exploiting Non-Monotonic Domain-Specific Declarative Heuristics in Answer Set Programming
Siemens AG Österreich(奥地利西门子股份公司);Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学);TU Wien(维也纳工业大学)
特定领域算法是有效解决组合问题的一种基本技术。目前的方法来集成特定领域的算法与答案集编程(ASP)是不令人满意的,当处理指定的非单调的部分分配的基础上的算法。在实践中,例如,当挑选尚未放入装箱箱的物品时,经常会发生这种物流。因此,我们提出了新的语法和语义的声明性规范的领域特定的语法在ASP。我们的方法支持启发式语句,依赖于在解决过程中保持的部分分配,这是不可能的。我们提供了一个实现在ALPHA,使ALPHA的第一个懒惰接地ASP系统,以支持声明指定的特定于域的语法。两个实际的例子域被用来证明我们的建议的好处。此外,我们使用我们的方法来实现知情的搜索与A*,这是第一次在ASP。A* 适用于两个进一步的搜索问题。实验证实,结合懒惰接地ASP解决方案和我们的新算法可以解决工业规模的问题是至关重要的。
2022-09-19 cs.AI
HeurAgenix: Leveraging LLMs for Solving Complex Combinatorial Optimization Challenges
Microsoft Research Asia(微软亚洲研究院);Tsinghua University(清华大学)
HeurAgenix提出两阶段超启发式框架,利用大语言模型演化并动态选择启发式算法,以双奖励微调轻量选择器,在组合优化基准上超越现有LLM方法并匹配专用求解器。
2025-06-24 cs.AI
New Boolean satisfiability problem heuristic strategy: Minimal Positive Negative Product Strategy
Renmin University of China(中国人民大学);Chinese Academy of Social Sciences(中国社会科学院)
本文提出最小正负乘积策略,用于指导CDCL算法求解布尔可满足性问题,并从数学和实验两方面证明其优于DLIS和VSIDS等主流启发式方法。
2023-10-26 cs.AI
The DeepXube Software Package for Solving Pathfinding Problems with Learned Heuristic Functions and Search
Department of Computer Science and Engineering(计算机科学与工程系)
DeepXube通过机器学习学习启发式函数,结合深度强化学习、启发式搜索和形式逻辑,高效解决路径寻找问题,支持GPU和DNN架构的并行计算。
2026-03-25 cs.AI cs.LG
Learning Improvement Heuristics for Solving Routing Problems
最近使用深度学习来解决路由问题的研究集中在构造算法上,其解决方案仍然远离最优。改进算法有很大的潜力通过迭代地改进解决方案来缩小这一差距。然而,经典的改进算法都是由手工制定的规则指导的,这可能会限制它们的性能。在本文中,我们提出了一个深度强化学习框架来学习路由问题的改进算法。我们设计了一个基于自注意力的深度架构作为策略网络来指导下一个解决方案的选择。我们将我们的方法应用到两个重要的路由问题,即旅行商问题(TSP)和容量限制的车辆路由问题(CVRP)。实验表明,我们的方法优于最先进的基于深度学习的方法。学习的政策比传统的手工制作的更有效,并可以通过简单的多样化战略进一步加强。此外,这些策略可以很好地推广到不同的问题大小,初始解决方案甚至真实世界的数据集。
2020-05-10 cs.AI cs.LG
Reachability and Differential based Heuristics for Solving Markov Decision Processes
University of Southern California(南加利福尼亚大学);Indiana University(印第安纳大学)
马尔可夫决策过程(MDP)的解决方案的收敛速度可以通过优先级扫描的状态排序,他们对其他状态的潜在影响。在本文中,我们提出了新的算法,以加快解决方案的收敛MDP。首先,我们使用平均第一通过时间(MFPT)量化每个状态的可达性水平,并表明这种可达性表征很好地评估了用于有效的状态优先级的状态的重要性。然后,我们引入了备份差异的概念作为优先扫描机制的扩展,以评估状态的影响,在更细的尺度。最后,我们将状态优先级扩展到时间过程,在某些中间值迭代阶段只能执行部分扫描。为了验证我们的设计,我们已经进行了数值评估,通过比较提出的新算法与相应的经典基线机制。评估结果表明,我们的基于可达性的框架及其差分变体在实际运行时间和迭代次数方面都优于最先进的解决方案。
2019-01-03 cs.AI
Learning Variable Ordering Heuristics for Solving Constraint Satisfaction Problems
Shandong University(山东大学);Singapore Institute of Manufacturing Technology(新加坡制造技术研究院);Nanyang Technological University(南洋理工大学);Southwest Jiaotong University(西南交通大学)
回溯搜索算法是求解约束满足问题的常用算法。回溯搜索的效率在很大程度上取决于变量排序算法。目前,最常用的化妆品是基于专业知识手工制作的。在本文中,我们提出了一种基于深度强化学习的方法来自动发现新的变量排序算法,这些算法更适合于给定的CSP实例类。我们表明,直接优化的搜索成本是很难引导,并建议优化的预期成本达到一个叶节点的搜索树。为了捕捉变量和约束之间的复杂关系,设计了一种基于图神经网络的CSP表示方案,可以处理不同大小和约束条件的CSP实例。随机CSP实例上的实验结果表明,学习的策略在最小化搜索树大小方面优于经典的手工算法,并且可以有效地推广到比训练中使用的更大的实例。
2021-12-25 cs.AI cs.LG
Efficient Partial Order CDCL Using Assertion Level Choice Heuristics
Université du Québec à Montréal(魁北克大学蒙特利尔分校)
我们以前设计的偏序冲突驱动子句学习(PO-CDCL),可满足性求解CDCL算法的一个变化与决策层上的偏序,并表明它可以加快决策层之间具有高度独立性的问题的解决。本文对PO-CDCL效率的原因进行了较为深入的分析。特别重要的是,偏序为断言级别引入了几个候选。通过评估这种选择不同的启发式算法,我们表明,断言级别的选择有重要的影响,解决和精心设计的启发式可以显着提高性能的相关基准。
2013-01-31 cs.AI cs.LO
Advancing Lazy-Grounding ASP Solving Techniques -- Restarts, Phase Saving, Heuristics, and More
TU Wien (Vienna University of Technology)(维也纳工业大学);Siemens AG Österreich(奥地利西门子公司)
集合编程(ASP)是一种功能强大、表达能力强的知识表示范式,在基于逻辑的人工智能中有大量的应用。然而,传统的接地和解决方法要求ASP程序预先接地,因此遭受所谓的接地瓶颈(即,ASP程序很容易耗尽所有可用内存,从而变得无法解决)。作为一种补救措施,懒惰接地ASP求解器已经开发出来,但许多国家的最先进的技术接地ASP解决还没有提供给他们。在这项工作中,我们提出,第一次,适应惰性接地设置的许多重要的技术,如重新启动,阶段保存,域独立的算法,和学习子句删除。此外,我们调查他们的影响,并在一般情况下观察到解决能力的大幅度提高,也发现在某些情况下的负面影响,表明需要从其他求解器的组合解决。正在考虑接受TPLP。
2020-08-08 cs.AI cs.LO
NeuroLKH: Combining Deep Learning Model with Lin-Kernighan-Helsgaun Heuristic for Solving the Traveling Salesman Problem
Nanyang Technological University(南洋理工大学);Singapore Institute of Manufacturing Technology(新加坡制造技术研究院)
我们提出了NeuroLKH,一种新的算法,结合深度学习与传统的启发式Lin-Kernighan-Helsgaun(LKH)解决旅行商问题。具体来说,我们训练稀疏图网络(SGN),对边分数进行监督学习,对节点惩罚进行无监督学习,这两者对于提高LKH的性能至关重要。基于SGN的输出,NeuroLKH创建边缘候选集,并转换边缘距离,以指导LKH的搜索过程。大量的实验坚定地证明,通过在广泛的问题规模上训练一个模型,NeuroLKH的性能明显优于LKH,并且可以很好地推广到更大的规模。此外,我们表明,神经LKH可以适用于其他路由问题,如容量限制的车辆路径问题(CVRP),皮卡和交货问题(PDP),CVRP与时间窗口(CVRPTW)。
2021-10-15 cs.AI cs.LG
Systematic vs. Non-systematic Algorithms for Solving the MPE Task
本文在解决贝叶斯网络中最可能解释任务的背景下,继续研究基于划分的搜索推理。我们比较两个系统的分支定界搜索算法,BBBT(其中的启发式信息在搜索过程中构建,并允许动态变量/值排序)和它的前身BBMB(其中的启发式信息是预先编译),对一些流行的局部搜索算法的MPE问题。我们的经验表明,当被视为近似方案,BBBT/BBMB优于所有这些最知名的SLS算法,特别是当域的大小增加超过2。这与SLS与CSP/SAT问题上的系统搜索的性能形成对比,其中SLS通常显着优于系统算法。据我们所知,BBBT/BBMB是目前解决MPE任务的性能最好的算法。
2012-10-19 cs.AI
Heuristics, Answer Set Programming and Markov Decision Process for Solving a Set of Spatial Puzzles
Centro Universitário FEI(FEI大学中心);University of Corunna(科鲁尼亚大学)
由刚性物体、柔性弦和孔洞组成的空间谜题为人们对日常生活中常见的空间实体进行推理提供了有趣的领域。这项工作的目标是调查这类问题的自动化解决方案,采用一种算法,结合答案集编程(ASP)与马尔可夫决策过程(MDP),算法oASP(MDP),使用启发式算法加速学习过程。ASP被用来表示域作为一个MDP,而强化学习算法(Q学习)被用来找到最优策略。在这项工作中,数学是从放松版本的难题的解决方案。实验进行了确定性,非确定性和非平稳版本的难题。结果表明,所提出的方法可以加速学习过程中,呈现出优势相比,非启发式版本的oASP(MDP)和Q-Learning。
2019-02-16 cs.AI cs.LG
Class-Based Heuristic Selection for Solving the Flying Block Puzzle
Faculty of Computer Engineering(计算机工程学院);University of Tehran(德黑兰大学);K. N. Toosi University of Technology(霍加·纳绥尔·丁·图西大学);Department of Electrical and Computer Engineering(电气与计算机工程学院);University of Kurdistan(库尔德斯坦大学)
针对启发式搜索在空间规划中的性能问题,提出CBHA*算法,在146个飞行方块谜题基准实例上大幅提升成功率、减少节点扩展,为高效空间规划提供了可推广的自适应启发式机制。
2026-08-31 cs.AI
Exploiting Partial Knowledge in Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利股份公司);Alpen-Adria-Universität(阿尔卑斯-亚德里亚大学);Technische Universität Wien(维也纳工业大学);Aalto University(阿尔托大学)
特定领域算法是有效解决组合问题的一种重要技术。我们提出了一种新的语义声明规范的领域特定的问答集编程(ASP)。基于部分解决方案的决策过程是现有领域特定算法的常见成分,例如,用于将尚未放置的物品放置在装箱中。因此,在我们的新语义否定失败和聚集在启发式条件下进行评估的部分求解器状态。最先进的求解器不允许这样的声明性规范。我们的实现在懒惰接地ASP系统Alpha支持启发式指令下的语义。通过这种方式,我们还提供了第一个实现,用于将声明式指定的特定于域的语法整合到延迟接地设置中。实验证实,ASP解决与懒惰接地和我们的新的算法相结合,可以解决工业规模的问题的重要组成部分。
2019-09-18 cs.AI cs.LO
Additive Pattern Database Heuristics
Ben-Gurion University of the Negev(内盖夫本-古里安大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Bar-Ilan University(巴伊兰大学)
我们探讨了一种方法计算可容许的启发式评价函数的搜索问题。它利用模式数据库,这是预先计算的解决现有问题的各种子问题的确切成本表。然而,与标准模式数据库算法不同的是,我们将问题划分为不相交的子问题,这样解决不同子问题的成本就可以加在一起,而不会高估解决原始问题的成本。在前面,我们展示了如何静态地将滑动瓦片谜题划分为不相交的瓦片组来计算可接受的启发式,对每个状态和问题实例使用相同的分区。在这里,我们扩展的方法,并表明它也适用于其他领域。我们还提出了另一种方法,我们称之为动态分区模式数据库的加法模式。在这里,我们分区的问题为每个状态的搜索动态不相交的子问题。我们讨论了这些方法的优点和缺点,并将这两种方法应用到三个不同的问题域:滑动瓦片难题,4钉塔的河内问题,并找到一个最佳的顶点覆盖图。我们发现,在某些问题域,静态分区是最有效的,而在其他动态分区是一个更好的选择。在这些问题域中的每一个中,静态分区或动态分区的模式数据库算法是问题的最佳已知算法。
2011-06-30 cs.AI
Study of Robust Features in Formulating Guidance for Heuristic Algorithms for Solving the Vehicle Routing Problem
本研究利用可解释AI和多个分类器模型分析VRP解质量的预测特征,提出统一框架排序特征影响,为开发元启发式算法的指导机制奠定基础。
2025-08-08 cs.AI
Combining Answer Set Programming and Domain Heuristics for Solving Hard Industrial Problems (Application Paper)
University of Calabria(卡拉布里亚大学);Alpen-Adria-Universität Klagenfurt(阿尔卑斯-亚德里亚大学克拉根福分校)
答案集编程(ASP)是一种流行的逻辑编程范式,已被应用于解决各种复杂的问题。在ASP最具挑战性的实际应用中,有两个由西门子定义的工业问题:伙伴单元问题(PUP)和组合配置问题(CCP)。PUP和CCP的最困难的实例是最先进的ASP求解器无法达到的。实验表明,ASP求解器的性能可以显着提高嵌入特定领域的算法,但在现成的ASP实现这样的标准是不明显的一个适当的有效集成。本文研究了ASP与特定领域启发式算法的结合,目标是有效地解决PUP和CCP的现实问题实例。作为此活动的副产品,ASP求解器WASP扩展了一个接口,该接口可以轻松地在求解器中嵌入新的外部算法。评估结果表明,我们的领域启发式驱动的ASP求解器发现解决方案的所有现实世界的实例PUP和CCP曾经提供的西门子。本文件正在考虑被TPLP接受。
2016-08-02 cs.AI cs.LO cs.PL
Novelty Heuristics, Multi-Queue Search, and Portfolios for Numeric Planning
Australian National University(澳大利亚国立大学)
该研究面向数值规划,提出结合数值新颖性启发式、曼哈顿距离启发式、多队列搜索与启发式组合的方法,以在不依赖提升启发式信息量的情况下增强搜索性能。
2024-04-11 cs.AI
Arguments for the Effectiveness of Human Problem Solving
Comenius University(夸美纽斯大学);Faculty of Mathematics, Physics and Informatics, Comenius University(夸美纽斯大学数学、物理与信息学学院)
人类如何解决问题的问题已经得到了广泛的讨论。然而,对这一过程的有效性的直接研究似乎被忽视了。在本文中,我们解决的问题,人类解决问题的有效性:我们分析这种有效性来自哪里,涉及到什么认知机制或知识。我们的研究结果是基于Solomonoff关于一般问题解决系统的论文中所提出的最优概率问题解决策略。我们提供的参数,一定的一套认知机制或proketistics驱动人类解决问题的最佳Solomonoff策略以类似的方式。本文提出的结果可以为认知心理学更好地理解人类的问题解决过程,以及人工智能在设计更多的人一样的代理。
2017-09-19 cs.AI
Solving Collaborative Dec-POMDPs with Deep Reinforcement Learning Heuristics
针对现有 Dec-POMDP 最先进算法难以处理复杂智能体协作的问题,提出 SA2MA 两阶段方法:先学习单智能体策略,再将其用于多智能体求解,并在复杂协作领域中取得明显优势。
2024-08-30 cs.AI cs.LG cs.MA
Learning Splitting Heuristics for Parallel String Solvers
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全全国重点实验室)
提出数据驱动方法自动生成分裂启发式,将分裂原子选择建模为学习任务,在Z3seq和Z3str4上实现,在求解数量和平均时间上优于手工设计。
2026-06-23 cs.AI cs.SE
Heuristics in Conflict Resolution
Universität Potsdam(波茨坦大学)
布尔可满足性(SAT)和答案集编程(ASP)的现代求解器是基于复杂的布尔约束求解技术。在这两个领域,冲突驱动的学习和相关技术构成了关键特征,其应用通过冲突分析得以实现。虽然各种冲突分析方案已被提出,实施,并在理论和实践上研究在SAT领域,冲突分析中涉及的启发式方面还没有得到太多的关注。假设一个固定的冲突分析方案,我们解决了如何识别“好”的冲突原因的开放问题,我们调查了几个在ASP解决冲突分析的技巧。据我们所知,像我们这样的系统研究还没有在SAT领域进行,因此,它可能是有益的ASP领域以及SAT解决之一。
2010-05-11 cs.AI cs.LO
Residual Scheduling: A New Reinforcement Learning Approach to Solving Job Shop Scheduling Problem
National Yang Ming Chiao Tung University(国立阳明交通大学);Academia Sinica(中央研究院)
针对NP-hard的作业车间调度问题及其柔性变体,提出基于状态精简的残差调度强化学习方法,在多数公开基准上达到构造式启发式算法SOTA,且小样本训练的模型在大规模问题上表现优异。
2023-10-03 cs.AI
FluCaP: A Heuristic Search Planner for First-Order MDPs
International Center for Computational Logic(国际计算逻辑中心);Technische Universität Dresden(德累斯顿工业大学)
提出了一种求解一阶马尔可夫决策过程的启发式搜索算法。我们的方法结合了一阶状态抽象,避免单独评估状态,和启发式搜索,避免评估所有的状态。首先,在现有的系统,开始与命题化的FOMDP,然后执行状态抽象的命题化的版本,我们直接应用状态抽象的FOMDP避免命题化。这种抽象被称为一阶状态抽象。其次,引导一个可接受的启发式,搜索被限制到那些状态,从初始状态可达。我们证明了上述技术解决FOMDPs的有用性与系统,称为FluCaP(以前,FCPlanner),进入概率轨道的2004年国际规划竞赛(IPC 2004),并表现出优于其他规划师的一阶项所代表的问题。
2011-09-29 cs.AI
Mathematical Programming Strategies for Solving the Minimum Common String Partition Problem
University of the Basque Country UPV/EHU(巴斯克大学 UPV/EHU);Universidad Santo Tomás(圣托马斯大学)
最小公共串划分问题是计算生物学中的一个NP-难组合优化问题。在这项工作中,我们提出了第一个整数线性规划模型来解决这个问题。此外,整数线性规划模型的基础上,我们开发了一个确定性的两阶段启发式算法,适用于较大的问题实例。结果表明,对于文献中的中小规模问题实例,用CPLEX求解所提出的整数线性规划模型,可以得到较好的最优解。此外,新的最知名的解决方案,从文献中获得所有考虑的问题实例。关于启发式,我们能够表明,它优于相关文献中的启发式竞争对手。
2014-05-22 cs.AI cs.DS
Solving Combinatorial Optimization problems with Quantum inspired Evolutionary Algorithm Tuned using a Novel Heuristic Method
Dayalbagh Educational Institute (Deemed University)(达亚尔巴格教育学院( deemed大学));Amity University Uttar Pradesh(阿米蒂北方邦大学);Amity School of Engineering and Technology(阿米蒂工程技术学院)
量子进化算法是在十多年前提出的,并已被用于解决各种困难的搜索和优化问题。已经提出了许多修改来提高规范QEA的性能。然而,规范QEA是为数不多的进化算法之一,它使用的搜索算子的参数相对较大的数量。众所周知,进化算法的性能取决于给定问题的参数的特定值。在算子中具有大量参数的优点是,即使使用单个算子,也可以使搜索过程更强大,而不需要组合其他算子进行勘探和开发。然而,具有大量参数的算子的调整是复杂的并且计算昂贵的。本文提出了一种新的探试法来调整规范QEA的参数。在一类离散组合优化问题上,优化后的QEA性能优于规范QEA,验证了所提出的参数调整框架的设计。所提出的框架可以用于调整其他算法与大量和少量的可调参数。
2019-09-17 cs.AI cs.NE
Maximum Customers' Satisfaction in One-way Car-sharing: Modeling, Exact and Heuristic Solving
Institute of Computing, University of Campinas(坎皮纳斯大学计算研究所)
单向汽车共享系统是一种交通系统,允许客户在分散在城市各地的车站租车,短途使用,并在任何车站归还。最大顾客满意度问题涉及的任务是分配汽车,最初位于给定的车站,以最大限度地提高满意的客户数量。我们考虑两个车站的问题,其中每个客户正好有两个需求,在两个车站之间的相反方向,和客户满意,只有当他们的需求都得到满足。为了解决这个问题,我们提出了混合整数规划(MIP)模型和基于局部搜索的数学方法。我们创建了一个用于测试精确和启发式方法的实例基准。此外,我们提出了一个预处理过程来减少实例的大小。我们的MIP模型可以在10分钟内解决1000个客户的85%的建议实例的最优性,所有这些实例的平均差距小于0.1%。对于较大的实例(2500和5000个客户),除了某些特定情况外,它们的平均差距小于0.8%。此外,我们的本地为基础的数学提出了小的平均差距,这是优于MIP模型在一些较大的情况下。
2020-08-13 cs.AI math.OC
Evolving TSP heuristics using Multi Expression Programming
Faculty of Mathematics and Computer Science(数学与计算机科学学院)
多表达式编程(MEP)是一种进化技术,可用于解决计算困难的问题。MEP使用线性解表示。每个MEP个体是一个编码复杂表达式(计算机程序)的字符串。MEP个体可以编码当前问题的多个解决方案。在本文中,MEP是用于发展的旅行商问题(TSP)启发式图满足三角不等式。针对TSPLIB中的一些难点问题,将进化MEP启发式算法与最近邻启发式算法(NN)和最小生成树启发式算法(MST)进行了比较。对于大多数考虑的问题,进化MEP启发式优于NN和MST。所得到的算法进行了测试,对TSPLIB中的一些问题。结果表明,改进的MEP启发式算法是求解困难TSP问题的有力工具。
2015-09-08 cs.AI cs.NE
On Solving the Rubik's Cube with Domain-Independent Planners Using Standard Representations
AI Institute, University of South Carolina(南卡罗来纳大学AI研究所)
本研究提出首个PDDL格式的魔方标准表示方案,对比DeepCubeA、Scorpion、FastDownward等不同求解器的性能与规划最优性,为高难度领域的表示与求解策略设计提供权衡参考。
2023-08-21 cs.AI
Inability of a graph neural network heuristic to outperform greedy algorithms in solving combinatorial optimization problems like Max-Cut
Emory University(埃默里大学)
在Nature Machine Intelligence 4,367(2022)中,Schuetz等人提供了一种采用图神经网络(GNN)作为启发式算法来解决各种经典的NP难组合优化问题的方案。它描述了如何在样本实例上训练网络,并使用广泛使用的技术评估生成的GNN启发式算法,以确定其成功的能力。显然,利用这种网络的强大能力,以这种不干涉的方式“学习”复杂的多模式能源景观的错综复杂,这一想法似乎很诱人。并且基于观察到的性能,该启发式算法有望具有高度可扩展性,其计算成本与输入大小$n$成线性关系,尽管由于GNN本身的原因,前因子中可能存在显著的开销。然而,更仔细的检查表明,该GNN的报告结果仅比梯度下降的结果好一点点,并且被贪婪算法(例如Max-Cut)超越。讨论还强调了我认为是一些常见的误解,在评估的竞争力。
2022-10-02 cond-mat.dis-nn cs.AI cs.LG
Farthest-Point Heuristic based Initialization Methods for K-Modes Clustering
k-modes算法已经成为解决不同应用领域中分类数据聚类问题的一种流行技术。然而,该算法需要随机选择聚类的初始点。不同的初始点往往会导致相当不同的聚类结果。在本文中,我们提出了一个实验研究应用最远点启发式的初始化方法的k模式聚类,以提高其性能。实验结果表明,新的初始化方法导致更好的聚类精度比随机选择初始化方法的k-模式聚类。
2006-10-09 cs.AI
Learning Interpretable Heuristics for WalkSAT
University of San Francisco(旧金山大学);Royal Holloway University of London(伦敦大学皇家霍洛威学院)
本文提出用强化学习为不同SAT实例分布自动学习WalkSAT的变量评分函数与噪声参数,实验证明其性能优于WalkSAT基线及已有学习型局部搜索启发式。
2023-07-10 cs.AI
Heuristic Search as Evidential Reasoning
University of California(加利福尼亚大学)
BPS,贝叶斯问题求解器,应用概率推理和决策理论控制灵活,资源受限的问题解决。本文重点讨论了BPS中的贝叶斯推理机制,并将其与传统的启发式搜索技术进行了对比。通过执行声音推断,BPS可以以显著更少的计算工作量胜过传统技术。对八个问题的实证测试表明,BPS算法在几百个节点扩展后,比现有最好的算法在几百万个节点扩展后做出更好的决策
2013-03-27 cs.AI
Heuristic with elements of tabu search for Truck and Trailer Routing Problem
National Research University Higher School of Economics(国立研究型大学高等经济学院)
车辆路径问题是物流和运输领域中的一个著名问题,它在现实生活中的许多情况下都会发生,这就解释了这类问题的多样性。这是一个NP难的组合优化问题,几乎不可能找到精确的最优解。在这项工作中,站点相关的卡车和拖车路径问题的硬,软时间窗和分裂的库存被认为是(SDTTRPTWSD)。在这篇文章中,我们开发了一个启发式的禁忌搜索解决SDTTRPTWSD的元素。启发式算法使用邻域的概念,并在搜索过程中访问不可行的解决方案。一个贪婪的启发式构造一个初始解。
2016-09-29 cs.AI
Solving the Kidney-Exchange Problem via Graph Neural Networks with No Supervision
King’s College London(伦敦国王学院);A*STAR(新加坡科技研究局)
针对NP难的肾脏交换问题,提出无监督GNN结合确定性搜索启发式的两阶段方法,实验表明其解质量优于整数规划、贪心启发式和单独GNN,平均价值为确定性启发式的1.1倍。
2023-04-19 cs.AI cs.LG
A Constraint Programming Approach for Solving a Queueing Control Problem
University of Toronto(多伦多大学)
在具有前室和后室操作的设施中,为了应对不断变化的客户需求,在房间之间切换工人是有用的。假设随机的客户到达和服务时间,我们寻求一个政策切换工人,使预期的客户等待时间最小化,而预期的后台工作人员是足够的,以执行所有的工作。提出了三种新的约束规划模型和几种模型的修整方法。实验结果表明,一个模型的基础上的封闭形式的表达式连同剃须程序的组合是最有效的。该模型能够在合理的运行时间内为许多问题实例找到并证明最优解。以前,唯一可用的方法是启发式算法。此外,一个混合的方法相结合的启发式和最好的约束规划方法的执行以及启发式的解决方案质量随着时间的推移,同时实现相同的性能,证明最优性作为纯约束规划模型。这是第一个工作,我们知道,解决这种基于约束编程的问题。
2011-10-31 cs.AI
New Hybrid Heuristics for Pseudo-Boolean Propagation
本文提出了一种新的混合启发式方法,用于改进伪布尔传播中的单位传播策略,以在RoundingSAT求解器中取得更好的性能。
2025-12-19 cs.AI math.OC
Gold-Medal-Level Olympiad Geometry Solving with Efficient Heuristic Auxiliary Constructions
ETH Zurich(苏黎世联邦理工学院);Microsoft(微软公司);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出HAGeo方法,通过高效启发式辅助构造在IMO-30基准上解决28个问题,达到金牌级性能,超越基于神经网络的AlphaGeometry方法。
2025-11-27 cs.AI cs.CG
Solving nonograms using Neural Networks
Research Institute of Health Sciences (IUNICS)(健康科学研究所(IUNICS));Universitat de les Illes Balears(巴利阿里群岛大学)
本文比较启发式算法、遗传算法及神经网络增强启发式算法在数织求解中的表现,并公开训练数据集与代码,证明结合神经网络的方法效果最佳且具有新颖性。
2025-01-10 cs.AI cs.NE
Solving the Steiner Tree Problem with few Terminals
TU Dresden(德累斯顿工业大学);University of Potsdam(波茨坦大学);TU Wien(维也纳工业大学)
Steiner树问题是网络设计、路由和VLSI设计中的一个众所周知的问题。给定一个图、边的代价和一组专用顶点(终端),斯坦纳树问题要求输出一个以最小代价连接所有终端的子图。通过动态规划来解决Steiner树问题的最先进算法是Dijkstra-Steiner算法。该算法通过系统地搜索较小的实例,基于终端的子集,并为这些较小的实例组合Steiner树,来构建整个实例的Steiner树。搜索严重依赖于引导启发式函数,以便修剪搜索空间。然而,为了确保正确性,该算法只允许有限的启发式函数,即那些满足所谓的一致性条件。本文对Dijkstra-Steiner算法进行了改进,提出了一种重访算法DS*。DS* 算法允许任意的下限作为启发式算法,放松了启发式函数上的先前条件。值得注意的是,我们现在可以使用基于线性规划的下限。此外,我们捕获的启发式函数的条件,我们称之为受理的新要求。我们表明,容许性确实是弱于一致性,并建立正确的DS* 算法时,使用一个容许的启发式函数。我们实现了DS*,并将其与现代预处理相结合,从而形成了一个开源求解器(DS* Solve)。最后,我们比较其性能的标准基准,并观察到竞争行为。
2020-11-09 cs.AI cs.DS
Beyond Single-Step Updates: Reinforcement Learning of Heuristics with Limited-Horizon Search
针对现有基于强化学习的启发式方法依赖单步Bellman更新的局限,提出结合有限视野搜索的通用启发式学习框架,通过融合边代价与搜索前沿状态启发值优化更新过程。
2025-11-13 cs.AI
Hyper heuristic based on great deluge and its variants for exam timetabling problem
University of Computer Studies, Yangon(计算机大学(仰光))
目前,高校排课问题每年都有发生,而且解决起来非常困难和耗时。本文描述了基于大规模启发式算法(GD)及其变体的超启发式算法(HH),用于解决来自不同领域的大规模、高约束的排序问题。一般来说,在超启发式框架中,有两个主要阶段:启发式选择和移动接受。本文着重于后一阶段的开发超启发式(HH)框架。本文的主要贡献是将大规模学习(GD)及其变体:弹性学习(FD)、非线性学习(NLGD)、扩展大规模学习(EGD)作为HH中的移动接受方法,并结合强化学习(RL),对这些HH方法在考试基准命题问题上进行了测试,并给出了最佳结果和比较分析。
2012-02-09 cs.AI
A hybrid optimization procedure for solving a tire curing scheduling problem
本文针对某轮胎厂硫化生产过程中的批量生产与调度问题进行了研究。其目的是找到生产足够的轮胎所需的最小完工时间,以满足需求的时间要求,考虑不同的资源的可用性和兼容性。为了解决这个问题,我们提出了一种混合的方法,包括在第一次应用启发式获得估计值的最大完工时间,然后求解数学模型,以确定最小值。我们注意到模型的大小(变量和约束的数量)很大程度上取决于估计的完工时间。大量的数值实验在不同的情况下,基于真实数据的混合过程的有效性进行了评估。从得到的结果,我们可以注意到,混合方法是能够实现最佳的最大完工时间的许多情况下,即使是大的,因为由启发式提供的结果允许显着减少的大小的数学模型。
2020-03-29 cs.AI
Solving the capacitated vehicle routing problem with timing windows using rollouts and MAX-SAT
TCS Research(塔塔咨询服务公司研究院);IIT Bombay(印度理工学院孟买分校)
车辆路径问题是一类NP难的组合优化问题。传统的解决方法要么涉及精心设计的算法,要么涉及耗时的元算法。最近的强化学习研究是一种很有前途的替代方法,但发现在解决方案质量方面难以与传统方法竞争。本文提出了一种混合的方法,结合强化学习,政策推出,和一个可满足性求解器,使计算时间和解决方案质量之间的可调权衡。一个流行的公共数据集上的结果表明,该算法能够产生更接近最优水平的解决方案比现有的基于学习的方法,并具有更短的计算时间比元算法。该方法需要最少的设计工作,并且能够解决任意规模的不可见问题,而无需额外的训练。此外,该方法可推广到其他组合优化问题。
2022-06-14 cs.AI
A Clustering Approach to Solving Large Stochastic Matching Problems
Brown University(布朗大学);University of Pittsburgh(匹兹堡大学)
在这项工作中,我们专注于解决一类随机规划问题,出现在各种商业,投资和工业应用的有效的规划。这个问题最好用未来的买卖合同来描述。通过购买不太可靠,但价格较低的购买(供应)合同,公司或交易员可以覆盖更可靠,更昂贵的销售合同。我们的目标是最大限度地提高预期的净收益(利润),通过构建一个剂量,以最佳的投资组合出可用的购买和出售合同。这个随机规划问题可以表示为一个带补偿的两阶段随机线性规划问题。然而,这种形式化导致的解决方案是指数的可能的故障组合的数量。因此,这种方法对于大规模问题是不可行的。在这项工作中,我们探讨启发式近似技术,减轻效率问题。我们主要集中在聚类方法和设计的聚类导致良好的近似发现的算法。我们通过实验数据说明了该方法的质量和可行性。
2013-01-10 cs.AI cs.DS
e-boost: Boosted E-Graph Extraction with Adaptive Heuristics and Exact Solving
University of Maryland, College Park, MD, US(马里兰大学)
针对E-图提取中启发式与精确方法的权衡问题,提出e-boost框架,通过并行启发式提取、自适应剪枝和初始化精确求解,实现558倍加速与19.04%性能提升,优化逻辑综合面积。
2025-08-23 cs.AI cs.AR
Towards learning domain-independent planning heuristics
Imperial College London(伦敦帝国理工学院);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
自动规划仍然是人工智能中最通用的范例之一,提供了解决来自各种领域的问题的方法。由于搜索空间呈指数增长,导致规划的计算复杂性成为制约规划应用的关键因素之一。除了最简单的问题之外,启发式方法对于解决所有问题都是必要的。在这项工作中,我们探讨了使用机器学习获得域独立的启发式函数的可能性。这是一个更广泛的研究计划的一部分,其目标是提高规划域在运行时间演变的系统规划的实用性。因此,挑战是学习(修正)可以在不同的规划域中重用的独立于域的规划。
2017-07-21 cs.AI
Heuristic Reasoning on Graph and Game Complexity of Sudoku
LATTIS(LATTIS实验室);INSA(法国国立应用科学学院);University of Toulouse(图卢兹大学)
数独问题近年来在世界范围内得到了广泛的应用,引起了计算智能界的极大关注。数独问题通常被认为是可满足性问题或约束满足问题。在本文中,我们建议把重点放在基本的图形结构的数独问题。首先,我们将数独形式化为一个图。在此基础上提出了一种基于启发式推理的求解算法。证明了相关的r-归约定理、推理定理及其性质,为数独求解系统的开发提供了形式化的基础。为了评价数独谜题的难度水平,提出了一种基于图结构和信息论的数独谜题复杂度定量度量方法。实验结果表明,所有的难题可以快速解决使用所提出的启发式推理,并提出的游戏复杂性度量可以区分难题的难度水平很好。
2009-03-09 cs.AI cs.GT cs.SC
Goods Transportation Problem Solving via Routing Algorithm
University of Regina(里贾纳大学)
本文概述了背后的思想开发一个基于图形的启发式驱动的路由算法设计的货物运输问题的一个特定的实例,一个良好的类型。该算法解决了在给定的无向运输图上满足货物需求,同时最小化运输路径上每一段经过的估计费用的优化问题,讨论了该路由算法的运行过程,并对所提出的问题求解技术进行了总体评价。
2021-02-13 cs.AI
CITS: Coherent Ising Tree Search Algorithm Towards Solving Combinatorial Optimization Problems
National University of Singapore(新加坡国立大学)
在经典的启发式算法中,模拟退火(SA)算法由于其能将组合优化问题的解自然地映射到伊辛哈密顿量的基态而备受关注。然而,在实际实施中,退火过程不能任意慢,因此,它可能偏离预期的稳态玻尔兹曼分布,并陷入局部能量最小值。针对这一问题,提出了一种启发式搜索算法,将搜索空间从马尔可夫链扩展到基于SA的递归深度有限树,其中父节点和子节点代表当前和未来的自旋状态.在每一次迭代中,该算法将通过在“向前看”的意义上沿着树进行探索,在可行的搜索空间内选择最佳的近优解。此外,受相干伊辛机(CIM)的启发,我们放松的自旋状态的离散表示连续表示与正则化项,并利用约化动力学的振子探索周围的邻居所选择的树节点。我们测试了我们的算法上的一个代表性的NP难问题(MAX-CUT),以说明该算法的有效性相比,半定规划(SDP),SA,和模拟CIM。我们的研究结果表明,以上的原始算法SA和CIM,我们的高层次树搜索策略是能够提供解决方案,在更少的时代伊辛制定的NP-优化问题。
2022-03-09 cs.AI