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
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
Machine Learning for SAT: Restricted Heuristics and New Graph Representations
St. Petersburg State University(圣彼得堡国立大学);Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
针对机器学习改进SAT求解启发式时存在的运行慢问题,提出先用ML模型执行初始步再交回控制权的策略,还改进了适配跨领域SAT的Graph-Q-SAT,经随机和工业算例验证可行。
2023-07-18 cs.AI
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
Counting-Based Search: Branching Heuristics for Constraint Satisfaction Problems
Dynadec Europe
设计一种跨问题域可靠的约束规划启发式搜索算法是近年来的一个重要研究课题。本文主要研究一类候选算法:基于计数的搜索。这样的算法试图做出分支决策,通过确定每个单独约束的解决方案与该决策一致的比例来保留大多数解决方案。而大多数通用搜索算法在约束编程依赖于本地信息的水平上的个别变量,我们的搜索算法是基于更多的全球信息的约束水平。我们设计了几个算法,用于计算特定家庭的约束的解决方案的数量,并提出了一些搜索算法利用这些信息。本文的实验部分考虑了八个问题域,从完善的基准难题到排班和运动调度。初步的实证分析确定启发式maxSD作为一个强大的候选人,我们的建议。然后,我们评估后者对最先进的,包括最新的通用搜索算法,重新启动,和基于差异的树遍历。实验结果表明,基于计数的搜索一般优于其他通用算法。
2014-01-18 cs.AI
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
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
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
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 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
The impact of Entropy and Solution Density on selected SAT heuristics
Technion(以色列理工学院)
在最近的一篇文章[Oh'15]中,Oh检查了各种关键竞争力的影响(例如,删除策略,重启策略,衰减因子,数据库缩减)。他的主要发现是,他们的预期成功取决于输入公式是否可满足。为了进一步研究这些发现,我们关注可满足公式的两个性质:公式的熵,它近似于我们在分配变量时的自由度,以及解密度,它是解的数量除以搜索空间。我们发现,这两个预测更好的效果,这些questistics,满足公式与小熵的“行为”类似于不可满足的公式。
2017-06-18 cs.AI cs.LO
From Gameplay to Symbolic Reasoning: Learning SAT Solver Heuristics in the Style of Alpha(Go) Zero
Purdue University(普渡大学)
尽管深度神经网络最近在图像和语音识别、自然语言处理和强化学习等各个领域取得了成功,但在将数值优化的力量引入符号推理方面,我们仍然面临着巨大的挑战。研究人员已经提出了不同的途径,例如用于证明合成的神经机器翻译,用于表示符号模式的符号和表达式的矢量化,以及用于降维的神经后端与用于决策的符号前端的耦合。然而,这些初步的探索仍然只是点的解决方案,并承担其他缺点,如缺乏正确性保证。在本文中,我们提出了将符号推理转换为游戏的方法,并在符号问题上直接利用Alpha(Go)Zero风格的深度强化学习的力量。使用布尔可满足性(SAT)问题作为展示,我们证明了我们的方法的可行性,以及模块化,效率和正确性保证的优点。
2018-02-14 cs.AI
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
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
Combining Monte Carlo Tree Search and Heuristic Search for Weighted Vertex Coloring
LERIA(LERIA实验室)
本研究将蒙特卡洛树搜索(MCTS)与贪心、局部搜索等启发式策略相结合,替代传统随机模拟以求解加权顶点着色问题,并通过基准实验验证了各变体策略的优势与局限。
2025-03-03 cs.AI
Can $Q$-Learning with Graph Networks Learn a Generalizable Branching Heuristic for a SAT Solver?
University of Oxford(牛津大学);NVIDIA(英伟达)
我们提出了图- $Q$ -SAT,一个分支启发式的布尔SAT求解器训练与基于值的强化学习(RL)使用图神经网络函数逼近。使用Graph- $Q$ -SAT的求解器是完整的SAT求解器,可以提供令人满意的赋值或不可满足性证明,这是许多SAT应用程序所需的。SAT求解器中常用的分支算法在预热期间会做出糟糕的决策,而Graph- $Q$ -SAT则经过训练,可以检查特定问题实例的结构,以便在搜索早期做出更好的决策。训练图- $Q$ -SAT是数据高效的,不需要精心的数据集准备或特征工程。我们训练Graph- $Q$ -SAT使用RL接口与MiniSat求解器,并表明Graph- $Q$ -SAT可以减少2- 3倍的迭代次数来解决SAT问题。此外,它推广到不可满足的SAT实例,以及与5倍以上的变量比它是trainedon. We的问题表明,对于较大的问题,减少迭代次数导致挂钟时间减少,最终目标时,设计算法。我们还显示出积极的zero-shot传输行为时,测试图- $Q$ -SAT的任务家庭不同的训练。虽然需要更多的工作来应用Graph- $Q$ -SAT来减少现代SAT求解设置中的挂钟时间,但这是一个令人信服的概念验证,表明配备图神经网络的RL可以学习SAT搜索的通用分支启发式。
2020-11-25 cs.AI cs.LG
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
Dancing to the State of the Art? How Candidate Lists Influence LKH for Solving the Traveling Salesperson Problem
TU Dresden(德累斯顿工业大学);ScaDS.AI Dresden/Leipzig(德累斯顿/莱比锡人工智能服务与数据科学中心);Colorado State University(科罗拉多州立大学)
本文研究LKH求解TSP时因固定树结构候选集导致超时的问题,发现基于哈密顿回路的候选集包含更多最优边,提出将POPMUSIC初始化策略集成到LKH重启版本中,显著减少超时并将性能提升一个数量级。
2024-07-04 cs.AI cs.NE
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
Heuristics for Vehicle Routing Problem: A Survey and Recent Advances
Huazhong University of Science and Technology(华中科技大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
车辆路径问题是一个著名的优化研究课题,具有重要的实际意义。在求解车辆路径问题的不同方法中,启发式算法能够以合理的计算代价得到满意的解。因此,在过去的几十年里,人们做出了很多努力来发展车辆路径规划。本文系统地综述了现有的车辆路径规划方法,特别是近年来开展的工作。对车辆路径规划进行了分类,并对其方法、最新进展和应用进行了综述。此外,我们提出了一个国家的最先进的方法的一般框架,并提供他们的成功见解。最后,三个新兴的研究课题与显着的工作和未来的方向进行了讨论。
2023-03-01 cs.AI math.OC
Learning Branching Heuristics for Propositional Model Counting
University of Toronto(多伦多大学);UC Berkeley(加州大学伯克利分校);Vector Institute(向量研究所)
命题模型计数(Propositional Model Counting),或#SAT,是计算布尔公式的满意赋值的数量的问题。来自不同应用领域的许多问题,包括许多离散概率推理问题,可以转化为模型计数问题,由#SAT求解器来解决。然而,精确的#SAT求解器通常不能扩展到工业规模的实例。在本文中,我们提出了Neuro#,一种用于学习分支算法的方法,以提高给定问题族实例上的精确SAT求解器的性能。我们的实验表明,我们的方法减少了类似的分布式举行了实例的步骤数,并推广到更大的实例,从同一个问题的家庭。它是能够实现这些结果对一些不同的问题家庭具有非常不同的结构。除了步数改进之外,Neuro#还可以在某些问题族中的较大实例上实现比vanilla求解器高出几个数量级的挂钟加速,尽管查询模型的运行时开销很大。
2022-09-08 cs.AI cs.LG cs.LO
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 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
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
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
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
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
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
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
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
A Multi-Heuristic Approach for Solving the Pre-Marshalling Problem
Institute of Physics, University of Belgrade(贝尔格莱德大学物理研究所);Qatar Environment and Energy Research Institute(卡塔尔环境与能源研究所);Faculty of Computer Science, Megatrend University(Megatrend大学计算机科学学院);Institute of Information Systems, University of Hamburg(汉堡大学信息系统研究所)
摘要在海运集装箱码头,如何最大限度地减少重新编组作业的次数,是一个重要的问题。基于现有的解决方案的方法分析,我们开发新的物流利用PMP的问题实例的特定属性。我们发现,启发式的性能是高度依赖于这些属性。我们介绍了一种新的方法,利用贪婪的启发式的四个阶段,在这些阶段中的每一个可以应用几个不同的启发式。我们没有使用随机化来提高启发式算法的性能,而是通过对每个阶段使用不同启发式算法的组合来重复生成许多解决方案。在这样做时,只有少数的解决方案,我们打算,他们没有不良的属性,相反的情况下,使用简单的随机化。我们的实验表明,这样的确定性算法显着优于原来的非确定性的方法时,发现的解决方案的质量进行观察,生成的解决方案的数量少得多。
2014-11-02 cs.AI cs.DM
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
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
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
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
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
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
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
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
Evolved preambles for MAX-SAT heuristics
Universidade Federal do Rio de Janeiro(里约热内卢联邦大学)
MAX-SAT算法通常从随机初始真值分配到变量。我们考虑使用我们称之为的qualibles,这是序列的变量与相应的单变量分配行动,旨在用于确定一个更合适的初始真理分配一个给定的问题实例和一个给定的启发式。对于一些建立良好的MAX-SAT算法和基准实例,我们证明了可以通过遗传算法来进化算法,使得算法在很大一部分情况下优于基准。
2011-02-18 cs.AI cs.NE
Symbiosis of Search and Heuristics for Random 3-SAT
Delft University of Technology(代尔夫特理工大学)
当适当地结合时,搜索技术可以揭示复杂分支算法的全部潜力。我们证明了这一观察的著名类随机3-SAT公式。首先,提出了一个新的分支启发式,概括了现有的工作在这个类。使用这种启发式算法可以构造更小的搜索树。其次,我们介绍了差异搜索的一个变种,称为ALDS。理论和实践的证据支持ALDS遍历搜索树在一个接近最优的顺序时,结合新的启发式。这两种技术,搜索和启发式,已经在前瞻求解器中实现。SAT 2009竞赛结果显示,March是迄今为止随机k-SAT公式最强的完整求解器。
2014-02-18 cs.AI cs.DS
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
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
Resource-Constrained Heuristic for Max-SAT
SRI International(SRI国际)
提出一种资源受限的 Max-SAT 启发式方法,通过内外循环分解问题,支持传统求解器或 QUBO 专用硬件优化,并优于现有方案。
2024-10-11 cs.AI
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
Learning Branching Heuristics from Graph Neural Networks
Okanagan College(奥肯那根学院);University of British Columbia Okanagan(不列颠哥伦比亚大学奥肯那根校区)
回溯法在人工智能中被广泛用于求解约束满足问题和组合优化问题。良好的分支算法可以有效地提高回溯算法的性能,修剪搜索空间,并将搜索引向最有希望的方向。在本文中,我们首先提出了一个新的图神经网络(GNN)模型设计使用概率的方法。从GNN模型,我们介绍了一种方法来学习分支启发式组合优化问题。特别是,我们的GNN模型学习给定图中顶点的适当概率分布,从中提取分支启发式并用于回溯搜索。我们的实验结果(最小)占主导地位的集团问题表明,这种学习分支启发式执行优于最小剩余值启发式在整个搜索树的分支数。我们的方法引入了一种新的方式,将GNNs应用于增强AI中使用的经典回溯算法。
2022-11-26 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
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