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
Experience-Based Heuristic Search: Robust Motion Planning with Deep Q-Learning
fortiss GmbH(福蒂斯有限公司);Technische Universität München(慕尼黑工业大学)
当使用传统的基于搜索或优化的运动规划器时,用于自动驾驶的交互感知规划需要探索组合解空间。通过深度强化学习,也可以为高维问题导出此类问题的最佳驱动策略。然而,这些方法仅在统计意义上保证所得到的策略的最优性,这阻碍了它们在安全关键系统(例如自动驾驶车辆)中的使用。因此,我们提出了基于经验的启发式搜索算法,它克服了基于深度强化学习的规划器的统计失败率,并且仍然从预先学习的最优策略中受益。具体来说,我们展示了如何将深度Q网络形式的经验作为启发式集成到启发式搜索算法中。我们基准我们的算法在半结构化代客泊车场景的路径规划领域。在那里,我们分析了这种估计的准确性,并证明了我们的方法的计算优势和鲁棒性。我们的方法可以鼓励进一步研究基于学习的规划在自动驾驶汽车领域的适用性。
2021-02-05 cs.AI cs.RO
Learning Empirically Admissible Neural Heuristics for Combinatorial Search
Independent Researcher(独立研究者)
针对组合搜索问题,提出一种结合可容许贝尔曼算子与非对称损失函数的验证校准框架,训练出经验可容许的神经启发式,在保证路径最优性的同时显著减少搜索节点扩展。
2026-06-03 cs.AI cs.LG
Exact and Heuristic Approaches to Drone Delivery Problems
Federal University of Ouro Preto(欧鲁普雷图联邦大学)
飞行伙伴旅行推销员问题(FSTSP)考虑由卡车和无人机组成的交付系统。无人机从卡车上发射,携带一个包裹交付给客户。每架无人机都必须返回卡车充电,拾取另一个包裹,然后再次发射到新的客户位置。这项工作提出了一种新的混合规划(MIP)制定和启发式方法来解决这个问题。proposedMIP配方产生更好的线性松弛界限比以前提出的配方的所有情况下,并能够最佳地解决几个未解决的情况下,从文献。一个混合启发式的基础上,结合禁忌搜索概念的一般可变邻域搜索元启发式,以获得高质量的解决方案,为大规模的实例。在文献中的1415个基准实例上对算法的效率进行了评估,超过80%的最佳已知解得到了改进。
2021-07-29 cs.AI math.OC
Best-First Heuristic Search for Multicore Machines
University of New Hampshire(新罕布什尔大学);Palo Alto Research Center(帕洛阿尔托研究中心)
为了利用现代多核处理器,必须开发基本算法的并行版本。在本文中,我们比较了不同的方法来并行最佳优先搜索在共享内存设置。我们提出了一种新的方法,PBNF,使用抽象来划分状态空间,并检测重复的状态,而不需要频繁的锁定。PBNF允许在必要时进行推测性扩展,以保持线程繁忙。我们确定和修复潜在的活锁条件,在我们的方法,证明其正确性,使用时序逻辑。我们的方法是通用的,允许它很容易地扩展到次优和随时启发式搜索。在一个实证的比较上的CNOPS规划,网格寻路,和使用8核机器的滑动瓦片拼图问题,我们表明,A*,加权A* 和任何时候加权A* 使用PBNF实现比以前的并行搜索建议的改进版本产生更快的搜索。
2014-01-16 cs.AI cs.DC
Mini-Bucket Heuristics for Improved Search
University of California, Irvine(加州大学尔湾分校)
这篇论文是两篇系列论文中的第二篇,评估了一种机械地生成搜索引擎的新方案的力量。最近推出的一种近似方案,称为小桶消除的算法。第一篇论文介绍了这个想法,并在分支定界搜索中对其进行了评估。在本文中,这一想法在最佳优先搜索中得到了进一步的扩展和评估。编码和医疗诊断问题,使用不同的强度的小桶算法进行比较。我们的研究结果表明,一个有效的搜索方案,允许控制预处理(启发式生成)和搜索之间的权衡。最佳优先搜索的性能优于分支定界,当提供良好的算法,和足够的内存空间。
2013-01-23 cs.AI
To Repair or Not to Repair? Investigating the Importance of AB-Cycles for the State-of-the-Art TSP Heuristic EAX
Department of Computer Science, Colorado State University(计算机科学系,科罗拉多州立大学)
本文聚焦最先进 TSP 启发式算法 EAX 的第一阶段,提出快速验证 AB-cycles 是否产生有效路径的新方法,并据此改进 EAX 算法,在 1 万个实例上提升了计算效率和解质量。
2025-05-01 cs.AI cs.NE
Oversight of Unsafe Systems via Dynamic Safety Envelopes
本文回顾了人在回路对于防止机器学习的广泛理解的故障模式是至关重要的,而不是一个实际的解决方案的原因。在此之后,我们回顾了两个当前的探试法来解决这个问题。第一个是可证明的安全包络,这是可能的,只有当系统的动态是完全已知的,但可以是有用的安全保证时,最佳的行为是基于机器学习的理解不充分的安全特性。第二种是更简单的断路器模型,它可以通过停止系统来阻止或防止灾难性的结果,而无需任何特定的系统模型。本文提出使用启发式的动态安全信封,这是这些方法之间的一个合理的中间点,允许人类监督,而不会遇到一些更困难的问题,人类在环系统。最后,本文的结论是如何使用这种方法来治理系统,否则不安全的系统部署。
2018-11-22 cs.AI
An Improved Admissible Heuristic for Learning Optimal Bayesian Networks
Queens College/City University of New York(纽约城市大学皇后学院);Helsinki Institute for Information Technology(赫尔辛基信息技术研究所);Mississippi State University(密西西比州立大学)
最近,两个搜索算法,A * 和广度优先的分支和界限(BFBnB),开发了一个简单的可接受的启发式学习贝叶斯网络结构,优化评分函数的基础上。启发式表示学习问题的放松,使得每个变量独立地选择最佳父母。因此,启发式可能包含许多有向循环,并导致松散的边界。本文介绍了一种改进的容许启发式,试图避免小的变量组内的有向循环。一个稀疏表示也被引入到存储唯一的最佳父选择。实验结果表明,在本文测试的大多数数据集上,新技术显著提高了A * 和BFBnB的效率和可扩展性。
2012-10-16 cs.AI cs.LG stat.ML
Vulcan: Instance-specialized, Verifiable Systems Heuristics Through LLM-driven Search
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出Vulcan框架,利用LLM生成系统启发式方法,通过隔离决策逻辑和受限语言Anvil保证安全,在调度、缓存和内存管理上取得显著性能提升。
2026-09-29 cs.AI cs.DC cs.OS
Rational Deployment of Multiple Heuristics in IDA*
Ben-Gurion University(本-古里安大学)
搜索元推理的最新进展已经表明它在改进许多搜索算法方面的有用性。本文应用理性元推理IDA* 时,几个可接受的算法是可用的。采用最大化算法的明显的基本方法通过对算法的延迟评估得到了改进,从而产生了一个称为Lazy IDA* 的变体。我们引入了一个理性版本的懒惰IDA*,它基于短视的预期后悔估计来决定是计算更昂贵的成本,还是绕过它。在多个领域的实证评估支持的理论结果,并表明,理性懒惰IDA* 是一个国家的最先进的启发式组合方法。
2014-11-24 cs.AI
Monte Carlo Tree Search with Heuristic Evaluations using Implicit Minimax Backups
Maastricht University(马斯特里赫特大学);University of Denver(丹佛大学)
蒙特卡罗树搜索(MCTS)提高了围棋、十六进制和一般游戏等领域的游戏引擎的性能。MCTS已被证明在难以获得良好启发式评估的游戏中优于经典的alpha-beta搜索。近年来,在MCTS中结合传统的极大极小搜索的思想已经被证明在某些领域是有利的,例如行动线,亚马逊和突破。在本文中,我们提出了一种新的方法来使用启发式评估,以指导MCTS搜索存储的两个来源的信息,估计的胜率和启发式评估,分别。而不是使用启发式的评估,以取代播放,我们的技术支持他们隐式在MCTS模拟。这些极小极大值然后用于指导未来的模拟。我们表明,使用隐式极大极小备份导致更强的发挥性能在卡拉,突破,和行动线。
2014-06-19 cs.AI
Learning and Tuning Meta-heuristics in Plan Space Planning
IIT Madras(印度理工学院马德拉斯分校)
近年来,规划界已经观察到,用于学习启发式函数的技术已经在性能上产生了改进。一种方法是使用离线学习来以依赖于域的方式从现有算法中学习预测模型。这些学习的模型被部署为新的启发式函数。反过来,学习的模型可以使用独立于域的纠错方法在线调整,以进一步增强其信息量。在线调优方法独立于域,但特定于实例,并有助于在规划过程中提高单个实例的性能。因此,它在更大的问题中更有效。在本文中,我们提到两种方法适用于偏序因果链接(POCL)规划,也被称为计划空间规划。首先,我们努力提高性能的POCL规划器的监督学习的算法。其次,我们讨论了POCL框架中的在线误差最小化方法,以最大限度地减少与离线学习模型相关的步进误差,从而提高其信息量。我们的评估表明,学习方法的规划器的性能超过标准的基准,特别是对于较大的问题。
2016-04-24 cs.AI
Improved Runtime Results for Simple Randomised Search Heuristics on Linear Functions with a Uniform Constraint
The University of Adelaide(阿德莱德大学);DTU Compute(丹麦技术大学计算学院);Technical University of Denmark(丹麦技术大学);Optimisation and Logistics(优化与物流(此处为机构内部门,按要求不提取))
在过去的十年中,在开发用于分析随机搜索算法的适当证明技术方面取得了显着进展。这些算法对函数类的理论研究对于理解潜在的随机过程是必不可少的。线性函数传统上已在这方面的研究,导致在严格的边界上的预期优化时间的简单随机搜索算法这类问题。最近,这类问题的约束形式得到了人们的关注,也得到了一些关于这类问题的理论结果。本文研究了一致约束下的线性函数类,并研究了随机局部搜索(RLS)和一种简单的进化算法(1+1)EA的期望优化时间。我们证明了RLS的$Θ(n^2)$的一个紧界,并将(1+1)EA的上界从$O(n^2 \log (Bw_{\max}))$改进为期望的$O(n^2\log B)$和高概率的$O(n^2 \log n)$,其中$w_{\max}$和$B$分别是线性目标函数的最大权和一致约束的界.同时,在一类特殊的实例上,得到了(1+1)EA的$O(n^2)$的紧界.我们补充我们的理论研究的实验调查,考虑不同的值的$B$和更高的突变率,反映了这样一个事实,即$2$位翻转是至关重要的处理与统一的约束。
2020-10-21 cs.AI cs.NE
An Improved Chicken Swarm Optimization Algorithm for Handwritten Document Image Enhancement
Mysore University(迈索尔大学)
本研究提出一种改进的鸡群优化算法,用于手写文档图像的对比度增强预处理,在保留细节的同时实现增强,效果显著优于现有多种元启发式算法。
2024-10-20 cs.AI cs.CV cs.LG
Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics
Vellore Institute of Technology(韦洛尔理工学院)
针对自动驾驶车辆网络,提出一种结合动态启发式的混合AV网络最优路径规划模型,通过多车协同与实时适应提升交通效率、乘客舒适度和安全性。
2024-03-17 cs.AI cs.RO
Scaling Combinatorial Optimization Neural Improvement Heuristics with Online Search and Adaptation
本研究提出有限滚动束搜索LRBS,用于基于深度强化学习的组合优化改进启发式算法,可提升分布内性能与大实例泛化能力,结合离线在线自适应进一步超越现有自适应构造式启发式方法。
2024-12-13 cs.AI cs.LG
Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
机器人路径规划是一个很难解决的问题,由于最优性的结果和算法的复杂性之间的矛盾,即使在2D环境中。为了找到最优路径,算法需要搜索所有的状态空间,这需要大量的计算资源。为了解决这个问题,我们提出了一种新的递归生成模型(RGM),产生有效的启发式路径规划算法,以减少搜索工作。该RGM模型采用了一般生成对抗网络(GAN)的框架,由一个新的启发式生成器和两个判别器组成,前者可以通过递归地优化输出来生成启发式算法,后者可以检查启发式算法的连通性和安全性。我们在各种2D环境中测试所提出的RGM模块,以证明其有效性和效率。结果表明,RGM模型在已知和未知的新地图上都能成功地产生合适的启发式,且具有较高的准确率,证明了该模型良好的泛化能力。我们还比较了快速探索随机树星(RRT*)与生成的启发式和传统的RRT* 在四个不同的地图,显示生成的启发式可以指导算法找到初始和最优解在一个更快,更有效的方式。
2020-12-07 cs.AI cs.RO
Bridging Multi-Valued Heuristics and Dimensionality Reduction in Multi-Objective Search
Department of Computer Science, Technion – Israel Institute of Technology(技术学院计算机科学系,以色列理工学院);Faculty of Computer and Information Science, Ben-Gurion University of the Negev(贝内-格尔离子大学内盖夫分校计算机与信息科学学院)
提出首个安全集成多值启发式与降维的理论框架,通过惰性乐观方法解决排序不变性破坏问题,实现高效且正确的多目标最短路径搜索。
2026-06-23 cs.AI cs.RO
Control invariant set enhanced safe reinforcement learning: improved sampling efficiency, guaranteed stability and robustness
University of Alberta(阿尔伯塔大学);Nanyang Technological University(南洋理工大学)
本文提出控制不变集增强的安全强化学习方法,将CIS融入离线奖励与采样设计以提升采样效率,并在在线阶段通过安全监督器保证闭环稳定性,在模拟化学反应器上验证了其有效性与鲁棒性。
2023-05-24 cs.AI cs.LG cs.SY
Improving DPLL Solver Performance with Domain-Specific Heuristics: the ASP Case
Eastman Kodak Company(伊士曼柯达公司)
尽管基于DPLL过程的求解器的性能最近有所改进,但搜索算法仍然可能集中在搜索空间的错误区域上,从而阻止求解器在可接受的时间量内返回解。这种前景是一个真正的问题,例如在工业环境中,用户通常期望一致的性能。为了克服这个问题,我们提出了一个框架,允许学习和使用特定领域的算法在求解器的基础上的DPLL程序。学习是离线完成的,在目标域的代表性实例上,然后将学习到的算法用于选择点选择。在本文中,我们专注于答案集编程(ASP)求解器。在我们的实验中,引入特定于域的算法将硬实例的性能提高了3个数量级(平均2个数量级),几乎完全消除了由于等待答案变得不可接受而必须终止求解器的情况。
2011-02-10 cs.AI cs.LO
MOSAIC: Adversarial Co-evolution of Specialist Heuristics and Problem Instances for LLM-based Automated Heuristic Design
Georgia Institute of Technology(佐治亚理工学院)
本研究提出MOSAIC框架,通过对抗性协同进化组合优化问题的专用启发式算法与问题实例,构建区域专用启发式算法池,所提取的组合在各类基准测试中均优于现有最先进的基于LLM的自动启发式设计方法。
2026-08-11 cs.AI cs.NE
Technical Report: Directed Controller Synthesis of Discrete Event Systems
Universidad de Buenos Aires(布宜诺斯艾利斯大学);Imperial College(帝国理工学院);CONICET(阿根廷国家科学与技术研究理事会)
本文提出一种基于领域无关启发式的定向控制器综合方法,通过高效抽象环境并动态构建组件,实现对安全性和共安全性目标的离散事件系统控制。
2016-05-31 cs.AI cs.SE cs.SY
Exploration Policies for On-the-Fly Controller Synthesis: A Reinforcement Learning Approach
Universidad de Buenos Aires(布宜诺斯艾利斯大学);Imperial College(帝国理工学院)
针对动态控制器综合中人工设计启发式算法的局限,提出基于强化学习的启发式获取方法,用改进DQN处理无界动作空间,实现零样本策略迁移,性能优于现有方法。
2023-05-03 cs.AI cs.LG cs.SY