Solving Distributed Constraint Optimization Problems Using Logic Programming
New Mexico State University(新墨西哥州立大学)
本文探讨了使用答案集编程(ASP)解决分布式约束优化问题(DCOPs)。本文的创新之处在于:(1)将DCOP表示为逻辑程序:(2)介绍了第一个基于逻辑程序设计的DCOP算法ASP-DPOP;(3)实验表明,ASP-DPOP比DPOP快两个数量级(它的命令式编程对应)以及解决一些问题,DPOP未能解决,由于内存限制;以及(4)它证明了ASP在目前被建模为DCOP的一系列多Agent问题中的适用性。逻辑程序设计理论与实践(TPLP)
2017-05-10 cs.AI cs.MA
Auction-based and Distributed Optimization Approaches for Scheduling Observations in Satellite Constellations with Exclusive Orbit Portions
ONERA(法国国家航空航天研究中心)
我们调查使用多代理分配技术的问题与地球观测的情况下,多个用户和卫星。我们专注于协调用户预留的独家轨道部分和一个中央计划有几个请求,可能会使用这些独家的一些间隔的问题。我们将此问题定义为对地观测卫星星座调度问题(EOSCSP),并将其映射为一个混合线性规划问题。为了解决EOSCSP,我们提出了基于市场的技术和分布式约束优化(DCOP)的基础上,代理合作分配请求,而不共享自己的时间表的分布式问题求解技术。这些贡献的实验评估随机生成的EOSCSP实例的基础上真正的大规模或高度冲突的观察顺序书。
2021-07-27 cs.AI cs.MA math.OC
Distributed Multi-Agent Coordination Using Multi-Modal Foundation Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出VL-DCOPs框架,利用多模态基础模型自动生成约束,并引入从神经符号到全神经的智能体原型,在三个新任务上评估LLMs和VLMs,以解决DCOPs手动构建问题。
2025-01-24 cs.AI cs.LG cs.MA
Solving the Steiner Tree Problem in graphs with Variable Neighborhood Descent
KU Leuven(鲁汶大学)
图中的斯坦纳树问题(STP)在集成电路设计、进化论、网络等领域有着广泛的应用。本文提出了一种求解STP的算法。该算法包括一个reducer和一个使用可变邻域下降(VND)的求解器,在搜索过程中相互作用。提出了一种新的构造性算法和一种用于强化的顶点评分系统。该算法进行了测试的一组基准,显示出令人鼓舞的结果。
2018-06-13 cs.AI
A new neighborhood structure for job shop scheduling problems
Huazhong University of Science and Technology(华中科技大学)
车间作业调度问题是一个被广泛研究的NP完全组合优化问题。邻域结构在求解JSP中起着至关重要的作用。目前,有三种最先进的邻里结构,即,N5、N6和N7。改进一些著名的基准的上界是离不开这些邻域结构的作用。然而,这些现有的邻域结构只考虑关键块内的关键操作的移动。根据我们的实验,它也是可能的,以提高最大完工时间的调度方案,通过移动一个关键的操作以外的关键块。根据上述发现,本文提出了一种新的N8邻域结构,该结构考虑了关键操作在关键块内的移动和关键操作在关键块外的移动。此外,设计了邻域裁剪方法,避免了无效运动,减少了计算时间。禁忌搜索是一种结合邻域结构的常用算法框架。本文使用这个框架比较N8邻域结构与N5,N6和N7邻域结构的四个著名的基准。实验结果表明,N8邻域结构在求解JSP问题时比其他邻域结构更有效。
2021-09-07 cs.AI
Large Neighborhood Prioritized Search for Combinatorial Optimization with Answer Set Programming
Nagoya University(名古屋大学);National Institute of Informatics(情报学研究所);University of Yamanashi(山梨大学);Universität Potsdam(波茨坦大学);Kobe University(神户大学)
本文提出面向 ASP 组合优化的元启发式 LNPS,通过交替破坏与优先搜索改进解,并基于 heulingo 验证其性能优于或可比于(自适应)大邻域搜索。
2024-05-18 cs.AI
GDBA Revisited: Unleashing the Power of Guided Local Search for Distributed Constraint Optimization
本文提出DGLS框架,通过改进约束惩罚机制和协调更新方案,提升分布式约束优化的性能。
2026-01-12 cs.AI cs.DM
Hybrid Node-Destroyer Model with Large Neighborhood Search for Solving the Capacitated Vehicle Routing Problem
IMT Atlantique, Lab-STICC (UMR 6285, CNRS)(IMT阿登蒂大学,Lab-STICC(UMR 6285,CNRS));IMT Nord Europe, CERI Systèmes Numériques(IMT北欧大学,CERI数字系统);Université Bretagne Sud, Lab-STICC (UMR 6285, CNRS)(布列塔尼南大学,Lab-STICC(UMR 6285,CNRS));DEI ”G. Marconi”, University of Bologna(博洛尼亚大学,DEI“G. Marconi”)
针对带容量约束的车辆路径问题(CVRP),提出结合图神经网络的Node-Destroyer混合模型以引导大邻域搜索算子,有效降低搜索空间复杂度,无需跨规模重训练即可显著提升多种基线元启发式算法的解质量与大规模扩展性。
2025-08-12 cs.AI
Improving Max-Sum through Decimation to Solve Loopy Distributed Constraint Optimization Problems
IIIA-CSIC(西班牙国家研究委员会人工智能研究所);Université de Lyon(里昂大学);MINES Saint-Etienne(圣埃蒂安国立矿业学校)
在求解大型分布式约束优化问题(DCOP)的背景下,置信传播和近似推理算法的选择。然而,一般来说,当因子图是非常循环的(即循环的)时,这些求解方法由于不收敛和许多交换的消息而性能不佳。为了提高Max-Sum推理算法在求解循环约束优化问题时的性能,本文借鉴了用于求解稀疏随机图(k-可满足性)的置信传播引导抽取算法.我们提出了新的DeciMaxSum方法,它是参数化的政策,以决定何时触发抽取,抽取哪些变量,以及哪些值分配给抽取变量。基于一个经典的BP基准(伊辛模型)的实证评估,这些组合的政策表现出更好的性能比国家的最先进的竞争对手。
2017-06-07 cs.AI cs.MA
Distributed Constraint Problems for Utilitarian Agents with Privacy Concerns, Recast as POMDPs
LAMIH UMR CNRS 8201, University of Valenciennes(瓦朗谢纳大学 LAMIH UMR CNRS 8201);Kobe University(神户大学);Kyushu University(九州大学);Florida Institute of Technology(佛罗里达理工学院)
传统上,隐私一直是分布式问题解决的主要动机。分布式约束满足问题(DisCSP)和分布式约束优化问题(DCOP)是解决各类分布式问题的基本模型。尽管已经提出了几种方法来量化和保护这些问题中的隐私,但没有一种方法可以免除限制。在这里,我们通过假设计算是在功利主义代理之间进行的来解决这个问题。我们引入了一个功利主义的方法,每个国家的效用估计为达成协议的共享变量的分配和隐私损失的成本之间的差异的奖励。我们调查扩展到求解器,其中代理集成的效用函数来指导他们的搜索,并决定执行哪些操作,从而定义他们的政策。我们表明,这些扩展的求解器成功地显着减少隐私丢失的解决方案的质量没有显着下降。
2017-03-20 cs.AI
Neigborhood Selection in Variable Neighborhood Search
Helmut Schmidt University(赫尔穆特·施密特大学);Université de Bretagne-Sud(南布列塔尼大学);University of Hamburg(汉堡大学)
可变邻域搜索(VNS)是一种基于简单原则的解决优化问题的元启发式算法:在搜索中系统地改变邻域,无论是在下降到局部最小值还是从包含它们的山谷中逃脱。设计这些社区并以有意义的方式应用它们并不是一件容易的事情。此外,必须确定适用这些原则的适当顺序。在本文中,我们试图调查这个问题。假设我们给出了一个优化问题,该问题旨在通过应用VNS方案来解决,应该研究多少和哪些类型的邻域,以及应用这些邻域的适当选择标准是什么。更具体地说,“向前看”是否值得(见,例如,在VNS和GRASP的上下文中)当试图从一个邻域切换到另一个邻域时?
2011-09-15 cs.AI
Hybrid Model for Solving Multi-Objective Problems Using Evolutionary Algorithm and Tabu Search
Hail University(海尔大学);Monastir University(莫纳斯提尔大学);Sfax University(斯法克斯大学)
本文提出了一种新的多目标混合模型,使禁忌搜索(TS)的邻域方法的研究强度和进化算法的重要探索能力之间的合作。该模型在基准函数(ZDT 1,ZDT 2和ZDT 3)中使用计算机网络实现和测试。
2011-02-15 cs.AI
Solving the Pod Repositioning Problem with Deep Reinforced Adaptive Large Neighborhood Search
Brandenburg University of Technology Cottbus-Senftenberg(勃兰登堡技术大学科特博-森芬堡)
本文提出将深度强化学习与自适应大邻域搜索相结合求解机器人移动履行系统中的货架重定位问题,通过DRL动态选择算子并调整参数,实验证明其优于传统方法。
2025-06-03 cs.AI cs.RO math.OC
Searching Large Neighborhoods for Integer Linear Programs with Contrastive Learning
University of Southern California(南加州大学);Meta AI, FAIR(Meta AI 基础人工智能研究院)
本文提出CL-LNS方法,通过对比学习从慢速专家启发式中学习新启发式,并结合图注意力网络提升大邻域搜索在整数线性规划中的求解性能。
2023-02-03 cs.AI
Local Branching Relaxation Heuristics for Integer Linear Programs
University of Southern California(南加州大学);Meta AI (FAIR)(Meta人工智能(基础人工智能研究院))
针对整数线性规划中局部分支邻域选择成本高的问题,提出用线性规划松弛选择邻域的LB-RELAX及变体,在保持邻域质量的同时提升速度并达到最优任意时间性能。
2023-05-31 cs.AI
A Coevolutionary Variable Neighborhood Search Algorithm for Discrete Multitasking (CoVNS): Application to Community Detection over Graphs
TECNALIA(特克纳利亚研究院);University of the Basque Country (UPV/EHU)(巴斯克地区大学)
多任务优化范例的主要目标是通过单个搜索过程以同时的方式解决多个并发的优化任务。为了取得有希望的成果,适当利用了各项任务之间的潜在互补性和协同作用,通过交换遗传物质相互帮助。本文的重点是进化多任务,这是一个角度处理多任务优化方案,拥抱概念,从演化计算。这项工作有助于这一领域提出了一种新的多任务的方法命名为协同进化的可变邻域搜索算法,它发现它的灵感都可变邻域搜索元启发式和协同进化策略。本文的第二个贡献是应用领域,这是最优划分的图实例之间的连接是有向和加权。本文对这类任务的同时求解进行了研究。两种不同的多任务的情况下,考虑每个包括11个图形实例。通过我们的方法得到的结果进行比较,由一个并行的可变邻域搜索和独立执行的基本可变邻域搜索。这些结果的讨论支持我们的假设,该方法是一个有前途的计划,同时解决社区发现问题的图。
2020-09-30 cs.AI cs.NE
Edge-Selector Model Applied for Local Search Neighborhood for Solving Vehicle Routing Problems
IMT Atlantique(IMT阿蒂安蒂克);Lab-STICC (UMR 6285, CNRS)(Lab-STICC(UMR 6285,CNRS));Université Bretagne Sud(布列塔尼南部大学)
本研究提出一种混合机器学习与元启发式的机制,通过边缘选择器模型(含表格二进制分类器与图神经网络)识别局部搜索的禁止移动,在不同VRP变体及大规模数据集上提升了元启发式基线的性能。
2025-08-12 cs.AI cs.LG
A new constraint programming model and a linear programming-based adaptive large neighborhood search for the vehicle routing problem with synchronization constraints
VNU University of Engineering and Technology(越南国立大学工程技术大学);Université de Montréal(蒙特利尔大学);CIRRELT(企业物流研究中心);École Polytechnique de Montréal(蒙特利尔综合理工学院)
我们考虑一个车辆路径问题,寻求最小化成本的时间窗口和同步约束。在这个问题中,车队分为常规车辆和特殊车辆。一些客户需要两辆车的服务,其在客户处的开始服务时间是同步的。尽管其重要的现实世界的应用,这个问题很少在文献中研究。为了解决这个问题,我们提出了一个约束规划(CP)模型和自适应大邻域搜索(ALNS),其中插入算子的设计是基于求解线性规划(LP)模型,以检查插入的可行性。还提出了一些加速技术,以显着减少计算时间。计算实验表明,我们的新的CP模型发现更好的解决方案比现有的基于CP的ANLS,当使用在小的实例与25个客户和更短的运行时间。我们的LP为基础的ALNS占主导地位的cp-ALNS,在解决方案的质量,当它提供更好的目标值的解决方案,平均而言,所有实例类。这表明了使用线性规划而不是约束规划的优势,当处理具有相对严格约束的车辆路径问题时,这通常被认为是更有利于基于CP的方法。
2019-10-18 cs.AI
Memetic search for identifying critical nodes in sparse graphs
Université d’Angers(昂热大学);Institut Universitaire de France(法兰西大学研究院);University of Colorado, Leeds School of Business(科罗拉多大学利兹商学院)
关键节点问题涉及从无向图中识别关键节点的子集,其去除导致在剩余图上优化预定义的度量。作为各种实际应用的有用模型,这些问题是具有计算挑战性的。本文研究了经典的临界点问题,并提出了一种求解临界点问题的模因算法。该算法结合了双骨干交叉算子(产生有前途的后代解决方案),基于组件的邻域搜索过程(找到高质量的局部最优解)和基于排名的池更新策略(以保证健康的人口)。特别地,基于组件的邻域搜索集成了两个关键技术,两阶段节点交换策略和节点加权方案。基于双骨干的交叉扩展了一般基于骨干的交叉的思想。在42个合成和真实世界的基准测试实例上的广泛评估表明,该算法发现了21个新的上界,并匹配18个以前最知名的上界。我们还证明了我们的算法的相关性,有效地解决了一个变种的经典CNP,称为基数约束的关键节点问题。最后,我们调查每个关键算法组件的有用性。
2017-10-07 cs.AI
Balans: Multi-Armed Bandits-based Adaptive Large Neighborhood Search for Mixed-Integer Programming Problem
Department of Computer Science, University of Southern California(南加州大学计算机科学系);AI Center of Excellence, Fidelity Investments(富达投资人工智能卓越中心);Department of Computer Science, Brown University(布朗大学计算机科学系)
针对学习型 MIP 求解依赖离线训练且泛化有限的问题,本文提出 Balans,利用多臂老虎机在线自适应选择破坏与修复邻域,在困难实例上显著优于默认求解器和现有 LNS。
2025-07-23 cs.AI cs.LG math.OC
Accelerating Exact and Approximate Inference for (Distributed) Discrete Optimization with GPUs
University of Michigan(密歇根大学);New Mexico State University(新墨西哥州立大学);University of California, Irvine(加利福尼亚大学尔湾分校)
离散优化问题是人工智能的核心问题。成本函数网络的聚合成本的优化出现在各种问题中,包括(W)CSP,DCOP,以及随机变量中的优化,例如在信念网络中找到最可能解释(MPE)的任务。基于推理的算法是解决离散优化问题的强大技术,可以单独使用或与其他技术结合使用。然而,它们的适用性往往受到其计算密集型性质和空间要求的限制。本文提出了一种新的推理为基础的技术,利用现代大规模并行架构,如图形处理单元(GPU),以加快精确和近似推理为基础的离散优化算法的分辨率的设计和实现。本文研究了所提出的算法在集中式和分布式优化上下文中。该文件表明,GPU的使用提供了显着的优势,在运行时间和可扩展性方面,实现了两个数量级的加速,并显示出相当大的减少执行时间(高达345倍的速度)相对于顺序版本。
2017-06-16 cs.AI cs.DC
Overcoming Hierarchical Difficulty by Hill-Climbing the Building Block Structure
积木假说表明,遗传算法(GAs)是非常适合分层问题,其中有效的解决需要适当的问题分解和组装的解决方案,从子解决方案具有很强的非线性相互依赖性。本文提出了一种爬山操作的积木(BB)空间,可以有效地解决层次问题。新的积木爬山(BBHC)使用过去的爬山经验来提取BB信息,并相应地调整其邻域结构。邻域结构的永久自适应允许该方法爬上层次结构,连续求解层次级别。对于完全非欺骗的层次BB结构,BBHC可以在线性时间内求解层次问题。实证结果证实,所提出的方法规模几乎与问题的大小,从而明显优于基于人口的重组方法。
2007-02-16 cs.AI cs.NE
ParBalans: Parallel Multi-Armed Bandits-based Adaptive Large Neighborhood Search
Department of Mechanical & Industrial Engineering, Northeastern University(东北大学机械与工业工程系);AI Center of Excellence, Fidelity Investments(fidelity investments 精英研究中心);Department of Computer Science, University of Southern California(南加州大学计算机科学系);Department of Computer Science, Brown University(布朗大学计算机科学系)
本文提出ParBalans,通过结合求解器级和算法级并行性扩展了基于多臂老虎机的自适应大邻域搜索方法Balans,在困难的混合整数规划基准上展现出与商业求解器Gurobi相当的竞争力。
2025-08-08 cs.AI cs.LG
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
An Effective Iterated Two-stage Heuristic Algorithm for the Multiple Traveling Salesmen Problem
Huazhong University of Science and Technology(华中科技大学)
多个旅行商问题(mTSP)是著名的NP-hard旅行商问题(TSP)的一般推广,即有m(m > 1)个推销员访问城市。在本文中,我们解决的mTSP与minsum目标和minmax目标,其目的是最小化的总长度的$m$旅游和最长的旅游的长度,在所有的m个旅游,分别。我们提出了一个迭代的两阶段启发式算法称为ITSHA的mTSP。ITSHA的每次迭代都包括初始化阶段和改进阶段。初始化阶段旨在生成高质量和多样化的初始解决方案。改进阶段主要应用可变邻域搜索(VNS)的方法,我们提出了有效的局部搜索邻域的基础上,以优化初始解。此外,一些局部最优逃逸的方法,以提高算法的搜索能力。广泛的公共基准实例上的广泛的实验结果表明,ITSHA显着优于国家的最先进的启发式算法在解决mTSP的两个目标。
2022-02-26 cs.AI
Adaptive Operator Selection in Bilevel Large Neighborhood Search for Electric Autonomous Dial-a-Ride Problem under Uncertainty
Adelaide University(阿德莱德大学)
针对不确定性下的电动自动驾驶拨号乘车问题,研究双层大邻域搜索中的插入算子选择,比较六种方法,发现无单一最优策略,性能依实例而异。
2026-10-06 cs.AI cs.NE
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
A machine learning framework for neighbor generation in metaheuristic search
Polytechnique Montreal(蒙特利尔综合理工学院);Jacobs Technion-Cornell Institute(雅各布斯特克尼恩-康奈尔研究所);Cornell Tech(康奈尔科技校区);Technion - IIT(以色列理工学院)
本文提出了一种将机器学习技术集成到元分析中来解决组合最优化问题的方法。也就是说,我们提出了一个通用的机器学习框架的邻居生成元启发式搜索。首先,我们定义了一个有效的邻域结构,通过应用变换从当前的解决方案的变量的一个选定的子集。然后,所提出的方法的关键是通过选择一个真子集的变量,包含在解空间中的下降的目标,以产生有前途的邻居。为了学习一个好的变量选择策略,我们将问题制定为一个分类任务,该任务利用问题的特征和高质量解决方案的结构信息。我们验证了我们的方法上的两个元启发式应用程序:禁忌搜索方案解决无线网络最优化问题和大邻域搜索启发式解决混合的搜索程序。实验结果表明,我们的方法是能够实现一个令人满意的折衷之间的探索一个更大的解决方案空间和开发高质量的解决方案区域的应用程序。
2022-12-22 cs.AI cs.LG math.OC
Online Control of Adaptive Large Neighborhood Search using Deep Reinforcement Learning
Eindhoven University of Technology(埃因霍温理工大学);Singapore Management University(新加坡管理大学)
提出基于深度强化学习的DR-ALNS方法,通过在线选择算子、调整参数和控制接受准则来优化自适应大邻域搜索,在定向越野问题上优于多种基线方法且所需训练数据更少。
2024-04-03 cs.AI cs.LG
Formulating and solving integrated order batching and routing in multi-depot AGV-assisted mixed-shelves warehouses
Leuphana University of Lüneburg(吕讷堡大学);Beijing Hanning Tech Co., Ltd(北京汉宁科技有限公司)
不同的零售和电子商务公司都面临着组装大量时间紧迫的拣选订单的挑战,这些订单包括小批量和多批量订单。为了减少非生产性的采摘工作时间,在传统的采摘到零件仓储系统,不同的解决方案,提出了在文献和实践中。例如,在混合货架存储策略中,同一库存单位的物品分布在仓库中的几个货架上;或者使用自动导引车(AGV)将拣选的物品从存储区域运输到包装站,而不是人工拣选。这是第一篇结合这两种解决方案的论文,创建了我们所谓的AGV辅助混合货架拣选系统。我们将这种系统中的新的集成订单管理和路径问题建模为具有三指标和两商品网络流公式的扩展多仓库车辆路径问题。由于集成问题的复杂性,我们开发了一种新的可变邻域搜索算法来解决集成问题更有效。我们测试我们的方法与不同大小的实例,并得出结论,混合货架存储策略比通常的存储策略在AGV辅助的混合货架系统的订单与不同大小的订单行(节省高达62%的AGV行驶距离)更合适。我们的可变邻域搜索算法在可接受的计算时间内提供了最优解。
2022-04-12 cs.AI cs.RO math.OC
Feature-Guided Metaheuristic with Diversity Management for Solving the Capacitated Vehicle Routing Problem
IMT Atlantique, Lab-STICC (UMR 6285, CNRS)(IMT阿维尼昂大学,Lab-STICC(UMR 6285,CNRS));IMT Nord Europe, CERI Systèmes Numériques(IMT北欧,CERI数字系统);Université Bretagne Sud, Lab-STICC (UMR 6285, CNRS)(布列塔尼南大学,Lab-STICC(UMR 6285,CNRS))
本文提出了一种基于特征引导的元启发式算法,通过XAI模型识别与高质量解决方案相关的特征,以提高解决带容量车辆路径问题的性能。
2025-12-21 cs.AI cs.DM
Destroy and Repair Using Hyper Graphs for Routing
Southern University of Science and Technology(南方科技大学);City University of Hong Kong(香港城市大学)
针对现有迭代路由方法邻域搜索受限的问题,提出基于超图的摧毁与修复框架(DRHG),通过将完整边缩减为超边扩大搜索邻域,在TSP上达最先进性能并泛化至真实世界问题。
2025-02-22 cs.AI cs.LG cs.NE