Heuristics and Metaheuristics for Dynamic Management of Computing and Cooling Energy in Cloud Data Centers
Universidad Politécnica de Madrid（马德里理工大学）；Universidad Complutense de Madrid（马德里康普顿斯大学）
针对云数据中心计算与冷却能耗优化难题，提出结合元启发式与最佳适配递减算法的功率热感知联合优化策略，能效最高提升21.74%且保障服务质量。
2023-12-17 cs.AI cs.DC
New Hoopoe Heuristic Optimization
Mansoura University（曼苏拉大学）
现实生活中的大多数优化问题往往是高度非线性的。局部优化算法不能给出期望的性能。因此，只能使用全局优化算法来获得最优解。本文介绍了一种新的自然启发式优化算法，称为戴胜启发式（HH）。在本文中，我们将研究HH和验证它对一些测试功能。研究表明，该算法是一种很有前途的算法，可以看作是对布谷鸟搜索算法的一种优化。最后，我们讨论了戴胜启发式算法的特点，并提出了进一步研究的方向。
2012-11-24 cs.AI cs.NE
Metaheuristic Approach to Solve Portfolio Selection Problem
Huawei Turkey R&D Center（华为土耳其研发中心）；Özyeğin University（厄兹耶因大学）
本文提出了一种基于Tabu搜索和TokenRing搜索的启发式方法来求解投资组合优化问题。Markowitz的均值-方差模型被认为是一个具有开创性的模型，它增加了基数和数量约束，以更好地捕捉交易过程的动态性，该模型成为一个NP-难问题，无法使用精确的方法来解决。结合三种不同的邻里关系正在探索禁忌搜索。此外，还提出了一种新的初始解的构造方法。最后，我将展示所提出的技术在公共基准测试中的表现
2022-11-10 cs.AI cs.NE q-fin.PM
Uncertainty Principle based optimization; new metaheuristics framework
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Eram Sanat Mooj Gostar（埃拉姆萨纳特穆吉·戈斯塔公司）
为了更灵活地平衡探索与利用之间的关系，提出了一种基于不确定性原理的Meta探试法。UP在多个科学分支中被证明是有效的。在量子力学的分支中，正则共轭观测量，如位置和动量，在任何量子态中都不能被清楚地确定。以同样的方式，频谱滤波设计的分支意味着非零函数及其傅里叶变换不能同时被精确地局部化。在深入研究了量子物理、傅立叶分析和小波设计中的不确定性原理及其变化之后，从算法和流程图的角度描述了所提出的框架。我们提出的优化器的想法是基于一个固有的不确定性，在执行本地搜索与全球解决方案搜索。一组兼容的度量框架的每一部分，提出了推导出优选的算法形式。评估和比较，在文件的最后显示的能力和独特的能力的算法在一些著名的和最近提出的元算法。
2020-06-02 cs.AI cs.NE
A preliminary analysis on metaheuristics methods applied to the Haplotype Inference Problem
DEIS（电子与信息工程系）
单倍型推断是生物信息学中一个具有挑战性的问题，即根据二倍体生物的基因型推断其基本遗传组成。这些信息使研究人员能够对疾病中涉及的遗传变异和对治疗药物的个体反应进行关联研究。一个值得注意的方法是将其编码为组合问题（在某些假设下，如纯简约准则），并使用现成的组合优化技术来解决它。应用于单倍型推断的主要方法是简单的贪婪启发式或精确方法（半线性规划，半定规划，SAT编码），目前仅适用于中等大小的实例。我们相信，元启发式和混合方法可以提供更好的可扩展性。此外，元算法可以很容易地结合问题的具体算法，他们也可以与基于树的搜索技术，从而提供了一个很有前途的框架，混合系统中，一个很好的权衡效果和效率之间可以达到。在本文中，我们说明了一个可行性研究的方法，并讨论了一些相关的设计问题，如建模和设计的近似求解器相结合的建设性算法，局部搜索为基础的改进策略和学习机制。除了单倍型推断问题本身的相关性之外，这个初步分析也是一个有趣的案例研究，因为问题的制定在建模和混合元启发式求解器设计方面提出了一些挑战，这些挑战可以推广到其他问题。
2007-08-03 cs.AI cs.CE cs.DM
Polynomial Time Efficient Construction Heuristics for Vertex Separation Minimization Problem
顶点分离最小化问题（VSMP）是指在一个图G =（V，E）中，寻找一个使最大顶点割或顶点分离最小的布局。这是一个NP完全问题，一般可以应用元启发式技术来找到近似最优解。VSMP在超大规模集成电路设计、图形绘制和计算机语言编译器设计中有应用。VSMP对于网格、树、置换图和余图都是多项式可解的。构造算法在元启发式算法中起着非常重要的作用，因为它们负责生成初始解，从而导致快速收敛。本文提出了三种构造算法H1、H2和H3，并在网格、小图、树和Harwell Boeing图上进行了实验，共248个图的实例。实验结果表明，H1，H2和H3能够达到最好的结果分别为88.71%，43.5%和37.1%的总的实例，而文献中的最佳构造启发式算法达到最好的解决方案的总的实例的39.9%。我们还比较了结果与国家的最先进的元启发式GVNS，并观察到，建议的建设misticistics提高了一些输入实例的结果。结果发现，GVNS获得最好的结果为82.9%的所有输入实例的实例和启发式H1获得最好的结果为82.3%的所有输入实例。
2017-02-19 cs.AI cs.DS
Metaheuristic Algorithms for Convolution Neural Network
Universitas Indonesia（印度尼西亚大学）；STMIK Jakarta STI&K（雅加达STMIK学院）
典型的现代优化技术通常是启发式或元启发式。该技术已成功地解决了科学、工程和工业研究领域中的一些优化问题。然而，对于一种著名的深度学习方法--卷积神经网络（CNN）的元启发式精度改进的实现策略，研究还很少。深度学习涉及一种机器学习技术，其目的是更接近人工智能的目标，即创建一种可以成功执行人类可以执行的任何智力任务的机器。在本文中，我们提出了三个流行的元启发式方法，即模拟退火，差分进化，和声搜索，优化CNN的实现策略。这些元启发式方法在优化CNN分类MNIST和CIFAR数据集的性能进行了评估和比较。此外，所提出的方法也与原始的CNN进行了比较。虽然所提出的方法显示了计算时间的增加，但其准确性也得到了提高（高达7.14%）。
2016-10-06 cs.AI cs.CV cs.NE
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
Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems
HSE University（高等经济大学）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
本文针对传统遗传算法过早收敛、缺乏问题知识及算子随机等缺陷，提出受遗传工程启发的GEA元启发式算法，并通过基准对比验证其优越性能。
2023-09-28 cs.AI cs.NE
A socio-physics based hybrid metaheuristic for solving complex non-convex constrained optimization problems
Institute of Artificial Intelligence, MIT World Peace University（MIT世界和平大学人工智能研究所）；Artificial Intelligence Research Institute, University of Veracruz（韦拉克鲁斯大学人工智能研究所）
迄今为止，已经开发了几种基于人工智能的启发式和元启发式算法。这些算法在解决不同领域的复杂问题时显示出了其优越性。然而，有必要严格验证这些算法解决现实世界的约束最优化问题。这些问题的搜索行为是不同的，因为它涉及大量的线性，非线性和非凸型等式和不等式约束。在这项工作中，57现实世界的约束最优化问题测试套件解决了两个约束元启发式算法起源于基于社会的队列智能（CI）算法。第一种基于CI的算法结合了自适应罚函数方法，即，CI-SAPF。第二种算法将CI-SAPF与基于物理的碰撞体优化（CBO）的内在属性相结合，称为CI-SAPF-CBO。将CI-SAPF和CI-SAPF-CBO算法的结果与其他约束优化算法进行了比较。所提出的算法的优越性进行了详细讨论，然后由未来的发展方向的约束处理技术。
2022-09-02 cs.AI cs.NE math.OC
A Pareto-metaheuristic for a bi-objective winner determination problem in a combinatorial reverse auction
University of Bremen（不来梅大学）
运输合同组合采购拍卖的双目标中标者确定问题（2 WDP-SC）的特征在于一个捆绑投标集合B，其中B中的每个捆绑投标b由投标承运人c_b、投标价格p_b和运输合同集合tau_b组成，所述运输合同集合tau_b是投标运输合同集合T的子集。此外，给出了运输质量q_{t,c_b}，当运输合同t由承运人c_b执行时，期望实现该运输质量。拍卖师的任务是找到一组X中标（X子集B），使得每个运输合同至少是一个中标的一部分，总采购成本最小化，总运输质量最大化。本文提出了一种元启发式方法的2 WDP-SC集成贪婪随机自适应搜索过程与两阶段的候选组件选择过程，大邻域搜索，自适应参数设置，以找到一个有竞争力的一组非支配的解决方案。启发式优于所有现有的方法。对于七个小的基准测试实例，启发式是唯一的方法，找到所有帕累托最优的解决方案。对于30个大型实例中的28个，现有的方法都不能计算出主导所提出的启发式算法找到的解决方案的解决方案。
2013-04-22 cs.AI cs.GT math.OC
The Single Machine Total Weighted Tardiness Problem - Is it (for Metaheuristics) a Solved Problem ?
Helmut Schmidt University — University of the Federal Armed Forces Hamburg（赫尔穆特·施密特大学——汉堡联邦国防军大学）
研究了单机总加权延误问题（SMTWTP）的一种比较简单的局部搜索算法，即爬山法和变邻域搜索法。特别是，我们重新审视SMTWTP的这些方法，因为在这种情况下似乎缺乏适当/具有挑战性的基准实例。取得的成果确实令人印象深刻。只有很少的例子仍然没有解决，即使是那些近似在1%的最佳/最佳已知的解决方案。我们的实验支持这样一种说法，即SMTWTP的元分析很可能会产生良好的结果，并且在改进搜索策略之前，必须在基准数据的命题方面做更多的工作。这些数据集的建设的一些建议来自我们的调查。
2009-07-17 cs.AI
Metaheuristics for the Online Printing Shop Scheduling Problem
University of Luxembourg（卢森堡大学）；University of São Paulo（圣保罗大学）
在这项工作中，在线印刷车间调度问题（Lunardi等人，混合线性规划和约束规划模型的在线印刷车间调度问题，计算机与运筹学，出现）。这个具有挑战性的实际调度问题，出现在当今的印刷业，对应于一个灵活的作业车间调度问题与排序的灵活性，它提出了几个复杂的特性，如可重复的操作，不可用的机器，顺序依赖的设置时间，部分重叠的操作之间的优先约束，和固定的操作，等等。一个本地的搜索策略和元启发式方法的问题，提出和评价。基于一个共同的表示方案，轨迹和人口metabolistics。大量的数值实验表明，所提出的方法是适合解决实际问题的情况下，他们优于半启发式半精确现成的解决方案在很大程度上。柔性作业车间调度问题的经典实例的数值实验表明，所介绍的方法也有竞争力时，适用于这种特殊的情况。
2022-02-20 cs.AI
LLM-Based Instance-Driven Heuristic Bias In the Context of a Biased Random Key Genetic Algorithm
Artificial Intelligence Research Institute (IIIA-CSIC)（西班牙国家研究委员会人工智能研究所）；University of Concepcion（康塞普西翁大学）
本研究提出将LLM与偏置随机键遗传算法结合，通过人机协作设计实例特定度量并生成定制启发式偏置，有效解决了NP-hard最长游程子序列问题，并在1050个实例上验证了其相比基线的显著提升。
2025-09-05 cs.AI cs.CL cs.NE
Multistep Brent Oil Price Forecasting with a Multi-Aspect Meta-heuristic Optimization and Ensemble Deep Learning Model
University of Verona（维罗纳大学）
针对原油价格预测中超参数敏感和外部因素影响的问题，提出集成五种神经网络并利用灰狼优化在特征选择、数据准备、模型训练和预测融合四个层面优化的混合方法，在布伦特原油数据上实现MSE 0.000127。
2024-12-14 cs.AI cs.CE cs.LG
A Parallel Ensemble of Metaheuristic Solvers for the Traveling Salesman Problem
针对2,000至85,900个城市的TSP问题，提出结合EAX、LKH及MGA混合版本的并行集成求解器，在大于10,000个城市的问题上超越现有最先进方法。
2023-09-13 cs.AI cs.NE
Reward-Density Heuristic for Dynamic Multi-Vehicle Routing: Performance and Computational Efficiency
研究动态多车辆路径规划问题，提出奖励密度启发式算法（效率启发式算法），在自主无人机任务分配和城市出租车调度等领域评估，该算法与多种经典和元启发式算法比较，在奖励与计算前沿占优，解质量相当但规划时间少，为实时分配调度系统提供实用原则。
2026-07-08 cs.AI
VRPAgent: LLM-Driven Discovery of Heuristic Operators for Vehicle Routing Problems
Bielefeld University（比勒菲尔德大学）；Radical Numerics；KAIST（韩国科学技术院）；Peking University（北京大学）；University of Turin（都灵大学）；Stanford University（斯坦福大学）；RIKEN（日本研究机构）；Omelet；University of Vienna（维也纳大学）
VRPAgent利用大语言模型生成问题特定算子，嵌入元启发式框架并通过遗传搜索优化，在多种VRP变体上以单CPU核心超越手工及学习式方法，实现自动化启发式发现。
2026-10-21 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
Obesity Heuristic, New Way On Artificial Immune Systems
Mansoura University（曼苏拉大学）
人工免疫系统的应用领域需要从免疫学中获得新的隐喻。一个元启发式称为肥胖启发式来自肥胖治疗的进展。该算法的主要力量是生成omega-6和omega-3脂肪酸。该算法采用即时理念;仅在需要时启动。提供了一个数据清洗的案例研究。在标准表格上进行的实验结果表明，肥胖启发式算法优于其他算法，具有100%的召回率。这是一个很大的改进，比其他算法
2012-11-24 cs.AI cs.CR
An Amortized Efficiency Threshold for Comparing Neural and Heuristic Solvers in Combinatorial Optimization
Univ. Artois（阿劳斯大学）
本文研究了神经求解器在组合优化中的能耗问题，提出平均效率阈值框架，通过实验显示神经求解器在部署量超过阈值后能耗低于启发式方法，提供了新的评估方法。
2026-05-15 cs.AI cs.LG cs.NE
Structural Segmentation of the Minimum Set Cover Problem: Exploiting Universe Decomposability for Metaheuristic Optimization
Austral University of Chile（智利南方大学）
本文提出利用宇宙分解性改进最小集合覆盖问题的求解，通过预处理策略将问题分解为子问题，结合GRASP元启发式算法提升求解质量和可扩展性。
2026-01-29 cs.AI math.OC
An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Trento（特伦托大学）
针对现有神经网络方法求解容量约束弧路径问题性能不及元启发式算法的问题，本文提出含方向感知注意力模型、监督强化学习方案和路径优化的求解器，效率更优且决策质量首次比肩顶尖元启发式算法。
2024-03-11 cs.AI cs.LG math.OC
Towards an intelligent VNS heuristic for the k-labelled spanning forest problem
National Research Council (CNR)（国家研究委员会（CNR））；Universidad de La Laguna（拉古纳大学）；Brunel University（布鲁内尔大学）
在目前正在进行的项目中，我们研究了一种新的可能性，解决k标记的生成森林（kLSF）问题的智能可变邻域搜索（Int-VNS）元启发式。在kLSF问题中，我们给定一个无向输入图G和一个整数正值k，目标是找到G的一个生成森林，该森林具有最小的连通分量数和要使用的标签数的上界k。该问题与最小标记生成树（MLST）问题有关，其目标是获得具有最少标签数量的输入图的生成树，并且在现实世界中有几个应用，其中一个旨在通过同构连接来确保连通性。我们为kLSF问题提出的Int-VNS元启发式算法来自最近为MLST问题提出的有前途的智能VNS策略，并将kLSF问题的基本VNS与来自机器学习，统计和实验算法的其他补充方法相结合，以产生高质量的性能并完全自动化所产生的策略。
2015-03-05 cs.AI cs.OH
Exact and Metaheuristic Approaches for the Production Leveling Problem
TU Wien（维也纳工业大学）
在本文中，我们介绍了一个新的问题，在生产计划领域，我们称之为生产均衡问题。任务是将订单分配到生产周期，以便平衡每个周期和每个生产资源的负载，不超过能力限制，并考虑订单的优先级。生产平衡是长期计划和生产周期内订单最终调度之间的重要中间步骤，因为它负责选择每个周期内要调度的订单的良好子集。提出了问题的形式化模型，并通过归约表示NP-困难。作为一个精确的方法来解决中等大小的情况下，我们介绍了MIP制定。为了解决大的问题实例，元启发式局部搜索进行了研究。提出了一个贪婪的启发式和两个邻域结构的局部搜索，以应用它们使用可变邻域下降和模拟退火。关于确切的技术，研究的主要问题是，在固定的时间内，多大规模的实例是可解决的。对于元启发式方法的目的是表明，他们产生的较小的情况下，接近最优的解决方案，但也可以扩展到非常大的情况。一组现实的问题实例，从工业合作伙伴的文献，以及随机实例生成器。实验评价表明，建议的MIP模型工作良好的实例与多达250个订单。在所研究的元启发式方法中，模拟退火法取得了最好的结果。结果表明，它产生的解决方案与小于3%的平均最优性差距小的情况下，以及规模高达数千个订单和几十个时期和产品。所提出的元启发式方法已经在工业中使用。
2020-06-15 cs.AI cs.CC
Design, Evaluation and Analysis of Combinatorial Optimization Heuristic Algorithms
Royal Holloway College（皇家霍洛威学院）；University of London（伦敦大学）
组合优化在许多领域有着广泛的应用。不幸的是，许多组合优化问题是NP难的，这通常意味着它们在实践中是不可解的。然而，通常不需要精确的解。在这种情况下，可以使用启发式方法在合理的时间内获得接近最优的解决方案。本文研究了两个组合优化问题，即广义旅行商问题和多维指派问题。第一个问题是旅行商问题的一个重要推广;第二个问题是分配问题的任意维数的推广。这两个问题都是NP难的，并且有很多应用。在这项工作中，我们讨论了不同方面的物流设计和评估。本研究涵盖了广泛的相关主题，包括测试床的生成和分析，实现和性能问题，局部搜索邻域和有效的探索算法，memetic算法中的元搜索设计和种群规模。最重要的结果是在该地区的本地搜索和模因算法所考虑的问题。在这两种情况下，我们已经显着先进的现有知识的局部搜索邻域和算法的系统化和改进以前的结果。我们已经提出了一些有效的算法，占主导地位的现有算法在广泛的时间/质量要求。在我们的模因算法中引入了几种新的方法，使它们成为相应问题的最先进的元算法。人口规模是这些方法中最有前途的方法之一，它预计将适用于几乎任何模因算法。
2012-07-07 cs.AI cs.DM cs.DS
Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning
本研究利用强化学习训练图神经网络作为智能启发式方法，用于公交网络规划，在Mumford基准上取得新最先进结果，并在拉瓦尔市真实网络中实现高达19%的成本节省。
2025-10-26 cs.AI cs.LG cs.NE
Bio-inspired Optimization: metaheuristic algorithms for optimization
Shri. JJT University（什里·JJT大学）
本文综述了受自然生物特性启发的元启发式优化算法，分析其分类、跳出局部最优以求解全局最优的机制，并介绍近期主要算法及其在复杂工业与工程问题中的应用。
2020-02-24 cs.AI cs.MA cs.NE
Policy-Based Deep Reinforcement Learning Hyperheuristics for Job-Shop Scheduling Problems
South Westphalia University of Applied Sciences（西南菲利斯大学应用科学学院）
本文提出基于策略的深度强化学习超启发式方法，通过动作预过滤和承诺机制优化作业车间调度，实验表明其优于传统方法和神经网络调度方法。
2026-01-16 cs.AI
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
PyVRP$^+$: LLM-Driven Metacognitive Heuristic Evolution for Hybrid Genetic Search in Vehicle Routing Problems
Singapore Management University（新加坡管理大学）；Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
本文提出PyVRP$^+$，通过LLM驱动的元认知启发式进化方法改进混合遗传搜索算法，发现更高效的启发式策略，提升VRP问题的求解性能。
2026-04-09 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
A Hybrid Pricing and Cutting Approach for the Multi-Shift Full Truckload Vehicle Routing Problem
University of Nottingham（诺丁汉大学）；University of Nottingham Ningbo China（宁波诺丁汉大学）；The University of Melbourne（墨尔本大学）
集装箱形式的整车运输是国际贸易中最重要的运输方式之一。由于体积和规模大，在FTL中，交付时间通常不那么重要，但成本和服务质量至关重要。因此，有效地解决大规模多班FTL问题变得越来越重要，需要进一步的研究。在我们早期的一项研究中，针对一个多班FTL问题，建立了一个集合覆盖模型和一个三阶段求解方法。本文扩展了以前的工作，并提出了一种更有效的方法，通过混合定价和切割策略与元算法（可变邻域搜索和遗传算法）。采用元分析法，在定价的指导下寻找有希望的列（车辆路线），并动态生成削减，以消除不兼容商品造成的不可行流分配。对真实和人工基准FTL问题的计算实验表明，与以前基于MIP的三阶段方法和现有的两种元算法相比，该方法在计算时间和求解质量方面都具有优异的性能。所提出的切割和启发式定价方法可以有效地解决大规模的现实生活中的FTL问题。
2020-12-03 cs.AI math.OC
Improving Existing Optimization Algorithms with LLMs
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
本文研究大语言模型（LLMs）对现有优化算法的增强作用，通过将GPT-4o提出的替代启发式应用于组合优化混合元启发式算法CMSA，发现其性能优于专家设计的启发式，且在更大更密图上优势更显著。
2025-02-12 cs.AI cs.CL cs.LG
MineReduce: an approach based on data mining for problem size reduction
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Universidade Federal de Ouro Preto（欧鲁普雷图联邦大学）
包括数据采掘策略的元分析的混合变体已被用于解决各种组合优化问题，具有优异和令人鼓舞的结果。以前的混合策略应用挖掘模式来指导初始解决方案的构建，从而更有效地探索解决方案空间。求解组合优化问题通常是一项艰巨的任务，因为其解空间随其大小呈指数增长。因此，在这种情况下，减少问题规模也是一个有用的策略，特别是在大规模问题的情况下。在本文中，我们建立在这些想法的基础上，提出了一种名为MineReduce的方法，该方法使用挖掘模式来减少问题的规模。我们提出了一个应用程序的MineReduce改进的启发式异构车队车辆路径问题。在计算实验中得到的结果表明，该启发式算法表现出优越的性能相比，原来的启发式算法和其他国家的最先进的算法，实现更好的解决方案的成本与更短的运行时间。
2020-05-22 cs.AI math.OC
Improving a State-of-the-Art Heuristic for the Minimum Latency Problem with Data Mining
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）
本研究针对两种最小延迟问题变体，用数据挖掘技术改进基于GRASP的最新启发式算法，既提升大量算例的解质量又缩短运行时间，并补充88个新解成本值。
2023-06-11 cs.AI cs.LG stat.ML
Re-evaluating LLM-based Heuristic Search: A Case Study on the 3D Packing Problem
The University of Manchester（曼彻斯特大学）；University of Manchester（曼彻斯特大学）；Department of Computer Science（计算机科学系）；Alliance Manchester Business School（曼彻斯特商业联盟学院）
本研究针对LLM在启发式设计中创新能力有限的问题，以三维装箱问题为案例，引入约束脚手架和迭代自校正支撑LLM构建完整求解器，发现LLM天然局限于优化评分函数，明确了当前LLM实现自动化启发式设计的两大障碍。
2025-09-02 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
Landscape-Sketch-Step: An AI/ML-Based Metaheuristic for Surrogate Optimization Problems
AIST（产业技术综合研究所）；Tohoku University（东北大学）
针对成本函数评估代价高的全局优化场景，提出结合机器学习、随机优化和强化学习的LSS启发式算法，无需构建代理模型，在低维崎岖地貌优化问题上比经典模拟退火实现了有效加速。
2023-10-04 cond-mat.mtrl-sci cs.AI cs.LG
Conditional Markov Chain Search for the Simple Plant Location Problem improves upper bounds on twelve Körkel-Ghosh instances
我们解决一个家庭的简单工厂选址问题（也被称为无能力的设施选址问题）的硬基准实例。Fischetti等人最近尝试解决Körkel-Ghosh实例，得到了7个新的最优解和22个改进的上界。我们使用自动生成的物流，以获得一个新的算法为简单的工厂选址问题。在我们的实验中，我们的新算法匹配了所有以前最好的已知和最优的解决方案，并进一步改进了12个上限，与以前的努力相比，所有这些都在更短的时间预算内。我们的算法设计过程分为两个阶段：（i）开发的算法组件，如本地搜索程序和变异算子，以及（ii）组成的元启发式从可用的组件。阶段（i）需要人类的专业知识，并且通常可以通过实现从文献中已知的几个简单的特定于领域的例程来完成。阶段（ii）通过采用条件马尔可夫链搜索（CMCS）框架完全自动化。在CMCS中，元启发式由一组称为配置的参数灵活定义。然后，从算法组件的元启发式组合的过程被减少到一个优化问题，寻求最佳性能的CMCS配置。我们讨论了比较配置的问题，并提出了一种新的有效的技术来选择最好的性能配置从一个大的集合。采用这种方法，我们限制了原来的CMCS一个简单的确定性的情况下，留给我们一个有限的和可管理的数量有意义的配置。
2017-11-16 cs.AI cs.DS
A unified heuristic and an annotated bibliography for a large class of earliness-tardiness scheduling problems
Universidade Federal da Paraíba（帕拉伊巴联邦大学）
针对一类E-T调度问题，提出了一种统一的启发式算法。我们考虑单/并行机的E-T问题，可能会或可能不会考虑一些额外的功能，如空闲时间，安装时间和发布日期。此外，我们还考虑这些问题的目标是最小化总（平均）加权完工时间或总（平均）加权流时间，这是作为特殊情况下出现的所有工作的到期日要么设置为零或其相关的发布日期，分别。基于局部搜索的元启发式框架是相当简单的，但在同一时间依赖于复杂的程序，有效地执行局部搜索，根据问题的特点。我们提出了有效的移动评估方法，一些并行机的问题，推广现有的单机问题。该算法进行了测试，在数百个实例的几个E-T问题和特定的情况下。所获得的结果表明，我们的统一的启发式是能够产生高质量的解决方案相比，在文献中，通过特定的方法获得的最好的。此外，我们提供了一个广泛的注释书目的问题有关的那些考虑在这项工作中，我们不仅表明在每个出版物中使用的方法（ES），但我们也指出了问题的特点（S）考虑。除此之外，我们将现有的方法分为不同的类别，以便更好地了解每种类型的解决方案程序的流行程度。
2017-01-10 cs.AI
Efficient local search limitation strategy for single machine total weighted tardiness scheduling with sequence-dependent setup times
Universidade Federal da Paraíba（帕拉伊巴联邦大学）
本文研究了调整时间依赖于顺序的单机加权拖期调度问题，通常称为$1|s_{ij}|\sum w_jT_j$。在这个$\mathcal{NP}$ -hard问题中，每个作业都有一个相关的处理时间、到期日和权重。对于每一对作业$i$和$j$，在开始处理$j$之前可能有一个设置时间，以防该作业被安排在紧接在$i$之后。目标是确定一个调度计划，使总的加权拖期最小化，其中一个工件的拖期等于它的完成时间减去它的到期日，如果工件在到期日之后才被完全处理，否则等于零。由于它的复杂性，这个问题通常是解决了物流。这项工作的目的是开发一个简单而有效的限制策略，加快本地搜索过程中没有显着的损失的解决方案的质量。这种策略包括一个过滤机制，可以防止没有希望的移动被评估。所提出的策略已被嵌入在一个本地搜索为基础的元启发式的文献和经典的基准测试的情况下。计算实验表明，限制策略使元启发式算法是非常有竞争力的，当与其他算法从文献中，因为它允许使用大量的邻域结构，而不会显着增加CPU的时间，因此，高质量的解决方案可以在几秒钟内实现。此外，我们分析了所提出的策略在其他两个著名的元计算的有效性。在问题$1|s_{ij}|\sum T_j$的基准实例上进行了进一步的实验。
2015-11-30 cs.AI
Massive Dimensions Reduction and Hybridization with Meta-heuristics in Deep Learning
Brock University（布罗克大学）
针对深度学习高维参数优化易陷入局部最优、收敛慢的问题，提出融合梯度与无梯度算法的HBDE方法，通过分块降维将ResNet-18参数从11M降至3K，在CIFAR数据集上性能优于基线算法且计算需求更低。
2024-08-13 cs.AI cs.LG cs.NE
Dependency Injection for Programming by Optimization
University of Manchester（曼彻斯特大学）；University of York（约克大学）
优化编程工具根据软件开发人员提供的规范执行自动软件配置。开发人员为程序组件指定设计空间，并且使用自动分析工具和优化算法来确定哪个配置最适合给定用例的繁重任务。然而，在当前的优化编程方法中，设计空间规范和探索依赖于外部配置算法、可执行包装器和脆弱的预处理程序设计语言扩展。在这里，我们展示了依赖注入的架构模式为传统的优化编程管道提供了一个更好的替代方案。我们证明了依赖注入的基础上的配置工具，自然适合软件开发过程中，同时需要比目前的包装器为基础的机制更少的开销。此外，依赖注入和上下文无关文法之间的结构对应关系产生了一类新的进化元算法自动配置。我们发现，新的配置算法显着优于现有的配置算法在许多问题上的利益（在一种情况下，由两个数量级）。我们预计，这些发展将使优化编程立即适用于大量的企业软件项目。
2017-07-13 cs.AI
Triple-Stream Deep Feature Selection with Metaheuristic Optimization and Machine Learning for Multi-Stage Hypertensive Retinopathy Diagnosis
Selçuk University（塞尔丘克大学）；Kırıkkale University（克勒克卡莱大学）；Batıgoz Medical Group Hospital（Batigoz医疗集团医院）
针对多阶段高血压性视网膜病变分期诊断难题，提出融合DenseNet169、MobileNet与ResNet152深度特征，并结合SVM和HHO特征选择的三阶段方法，显著提升准确率与泛化性。
2025-03-03 cs.AI cs.CV
Improvements for multi-objective flow shop scheduling by Pareto Iterated Local Search
Helmut Schmidt University — University of the Federal Armed Forces Hamburg（赫尔穆特·施密特大学——汉堡联邦国防军大学）
介绍了一种求解多目标优化问题的局部搜索元启发式算法的提出和应用。它是基于两个主要原则的启发式搜索，通过可变的邻域，通过扰动和连续迭代的搜索空间的有利区域的多样化的集约化。这个概念在多目标下的置换流水车间调度问题上得到了成功的验证，并与其他局部搜索方法进行了比较。虽然所取得的成果在质量方面令人鼓舞，但该方法的另一个积极特点是它的简单性，因为它只需要设定很少的参数。
2009-07-17 cs.AI
A Convex Hull Cheapest Insertion Heuristic for the Non-Euclidean TSP
University of Washington（华盛顿大学）；The Ohio State University（俄亥俄州立大学）；University of Colorado（科罗拉多大学）；Ford Motor Company（福特汽车公司）
针对自主机器人机载求解非欧几里得旅行商问题的资源受限难题，提出轻量级ACHCI启发式算法，结合多维标度与凸包初始化构建路径，实验显示其性能优于多种主流轻量级及元启发式算法，可提升自主智能体运行效率。
2026-08-09 cs.AI cs.SY eess.SY
Neural Combinatorial Optimization: a New Player in the Field
神经组合优化试图学习好的算法，以使用神经网络模型和强化学习来解决一系列问题。最近，它的良好性能鼓励了许多从业者开发用于各种组合问题的神经架构。然而，这种算法在传统的优化框架中的结合，提出了许多问题，其性能和实验比较与其他方法，如精确的算法，算法和metallogistics。本文提出了一个批判性的分析，将基于神经网络的算法纳入经典的组合优化框架。随后，进行了全面的研究，分析这些算法的基本方面，包括性能，可移植性，计算成本和推广到更大规模的实例。为此，我们选择线性排序问题作为研究的案例，一个NP难的问题，并开发了一个神经组合优化模型来优化它。最后，我们讨论了如何分析方面适用于一般的学习框架，并建议在该领域的神经组合优化算法的未来工作的新方向。
2022-05-03 cs.AI cs.DM
A Multiperiod Workforce Scheduling and Routing Problem with Dependent Tasks
Universidade Federal de Lavras（拉夫拉斯联邦大学）
本文研究了一个新的劳动力调度和路径问题，称之为多周期相关任务的劳动力调度和路径问题。在这个问题中，客户向公司请求服务。每个服务都由相关任务组成，这些任务由不同技能的团队在一天或多天内执行。属于一个服务的任务可以由不同的团队执行，客户可以每天访问一次以上，只要不违反先例。目标是调度和路由团队，使最大完工时间最小化，即，所有服务均在最短天数内完成。为了解决这一问题，我们提出了一个混合规划模型，一个建设性的算法和启发式算法的基础上的蚁群优化（ACO）元启发式。优先约束的存在使得开发高效的局部搜索算法变得困难。这促使选择ACO元启发式，这是有效的指导建设过程走向良好的解决方案。计算结果表明，该模型能够一致地解决多达20个客户和60个任务的问题。在大多数情况下，性能最好的ACO算法能够在其计算时间的一小部分内匹配模型提供的最佳解。
2020-08-06 cs.AI math.OC
A GRASP-based memetic algorithm with path relinking for the far from most string problem
Universidad de Málaga（马拉加大学）
针对计算生物学相关的FFMSP，论文提出结合GRASP初始化、路径重连重组和爬山局部改进的模因算法，并在随机与生物实例上证明其显著优于现有方法。
2024-05-27 cs.AI cs.NE
Finding Still Lifes with Memetic/Exact Hybrid Algorithms
Universidad de Málaga（马拉加大学）
最大密度静物问题（MDSLP）是一个基于康威生命博弈的硬约束优化问题。它是最近在约束编程社区中解决的加权约束优化问题的一个主要例子。桶消元法是解决这类约束满足问题的一种常用的完整技术。当应用BE所需的存储器太高时，可以使用基于它的探试法（命名为迷你桶）来计算最优解的边界。然而，维数灾难使得这些技术对大尺寸问题不实用。针对这种情况，我们提出了一种模因算法的MDSLP中，BE是作为一种机制，用于重组的解决方案，提供最好的可能的孩子从父母的集合。随后，一个多层次的模型中，这种精确/元启发式混合进一步杂交与分支定界技术和迷你桶进行了研究。大量的实验结果分析了这些模型和多亲本重组的性能。由此产生的算法始终找到最佳模式，最新解决的情况下，在更短的时间比目前的方法。此外，它表明，该建议提供了新的最佳已知的解决方案非常大的情况下。
2008-12-22 cs.AI cs.NE
Exact algorithms and heuristics for capacitated covering salesman problems
Institute of Computing（计算机学院）；Universidade Estadual de Campinas（坎皮纳斯州立大学）
本文提出带容量约束的覆盖旅行商问题，设计了基于ILP和BRKGA的优化方法，还扩展得到求解多车场覆盖巡游车辆路径问题的新型MILP，性能优于现有精确方法并解出多个此前未解决的算例。
2024-03-03 cs.AI
Multidimensional Assignment Problem for multipartite entity resolution
University of Florida Research and Engineering Educational Facility (REEF)（佛罗里达大学研究与工程教育设施）；Herbert Wertheim College of Engineering, University of Florida（佛罗里达大学赫伯特·韦特海姆工程学院）；Munitions Directorate, Eglin Air Force Base（埃格林空军基地弹药局）
多部分实体解析的目的是将多个数据集的记录集成到一个实体中。我们推导出一个数学公式的一般类的记录链接问题的多部实体决议在许多数据集作为一个组合优化问题称为多维分配问题。作为我们的方法的动机，我们说明了顺序二分匹配的多部实体分辨率的优势。由于优化问题是NP难的，我们采用两个启发式程序，一个贪心算法和非常大规模的邻域搜索，解决分配问题，并找到最可能匹配的记录从多个数据集到一个单一的实体。我们评估和比较这些算法的性能和它们的修改合成生成的数据。我们进行计算实验比较性能最近的启发式，非常大规模的邻域搜索，与贪心算法，另一种启发式的MAP，以及与两个版本的遗传算法，一般的元启发式。重要的是，我们进行实验，以比较两种替代方法重新开始搜索前启发式，特别是随机抽样多启动和确定性设计为基础的多启动。我们发现的证据表明，基于设计的多启动可以更有效的数据库的规模越来越大。此外，我们表明，非常大规模的搜索，特别是它的多开始版本，优于简单的贪婪启发式。贪婪搜索与超大规模邻域搜索的混合提高了性能。使用多开始与少至三个额外的运行非常大规模的搜索提供了一些改进的性能非常大规模的搜索过程。最后，我们提出了一种方法来评估的非常大规模的邻域搜索的复杂性。
2021-12-06 cs.AI cs.DM
LLM-Guided Heuristic Design from Simulation Traces: A Case Study in Dynamic Production and AGV Scheduling
Tsinghua University（清华大学）
该研究提出LLM引导的启发式设计框架，通过模拟轨迹诊断优化AGV与生产调度策略，在多组实验中优于多种基线方法，证实模拟轨迹可指导代码层面的策略改进。
2026-08-11 cs.AI
