Towards Utilitarian Combinatorial Assignment with Deep Neural Networks and Heuristic Algorithms
Linköping University（林雪平大学）
本文介绍了使用深度神经网络来指导通用启发式算法进行效用组合分配的初步工作。更详细地说，我们使用深度学习来尝试产生可以与例如，搜索算法，以更快地生成更高质量的可行解。我们的研究结果表明，我们的方法可能是一个有前途的未来的方法来构建这样的算法。
2021-07-01 cs.AI
A Job-Assignment Heuristic for Lifelong Multi-Agent Path Finding Problem with Multiple Delivery Locations
在本文中，我们提出了多作业分配算法，以产生低总成本的解决方案，并确定其中最好的执行方法。
2020-04-25 cs.AI cs.MA
Toward Efficient Task Assignment and Motion Planning for Large Scale Underwater Mission
Flinders University（弗林德斯大学）
自主水下航行器（Autonomous Underwater Vehicle，AUV）在大规模作业环境中，为了顺利完成水下任务，并保证其在任务各个阶段的安全，需要具有一定的自主性。本文提出了一种新的组合式无冲突任务分配策略，该策略由局部路径规划器和自适应全局路径规划器的交互参与组成。该方法是建立在粒子群优化（PSO）算法的启发式搜索的潜力，以解决路由任务分配方法的离散性和NP-难路径规划问题的复杂性。所提出的混合方法是非常有效的，有一个反应式的指导框架，保证成功完成任务，特别是在混乱的环境。为了研究该方法在任务生产率，任务时间管理和车辆安全性方面的性能，进行了一系列的仿真研究。仿真结果表明，该方法是可靠的和强大的，特别是在处理不确定性，它可以显着提高车辆的自主水平，依靠其反应的性质和能力，提供快速可行的解决方案。
2016-06-15 cs.AI cs.RO
Explainable prediction of Qcodes for NOTAMs using column generation
CERC, Polytechnique Montréal（蒙特利尔理工学院 CERC）；Polytechnique Montréal（蒙特利尔理工学院）；GERAD；Jacobs Technion-Cornell Institute, Cornell Tech（康奈尔科技学院雅各布斯技术-康奈尔研究所）；Technion - IIT（以色列理工学院）；Inria（法国国家信息与自动化研究所）
飞行员通告（NOTAM）包含重要的飞行路线相关信息。为了搜索和过滤它们，NOTAM被分成称为QCode的类别。在本文中，我们开发了一个工具来预测，与一些解释，一个Q代码的NOTAM。我们提出了一种方法，将Dash，Gunluk和Wei（2018）中提出的列生成的可解释的二进制分类扩展到多类文本分类方法。我们描述了用于解决与一个与其余分类相关的问题的技术，例如多个输出和类不平衡。此外，我们还介绍了一些技巧，包括使用CP-SAT求解器的子问题，以减少训练时间。最后，我们证明了我们的方法与最先进的机器学习算法（如线性SVM和小型神经网络）相比毫不逊色，同时添加了所需的可解释性组件。
2023-01-20 cs.AI cs.LG math.OC
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
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
A Meta-heuristically Approach of the Spatial Assignment Problem of Human Resources in Multi-sites Enterprise
Ibn Tofail University（伊本·托法尔大学）；Abdelmalk Essaadi University（阿卜杜勒马利克·埃萨迪大学）
本文的目的是提出一种多站点企业人力资源空间分配问题的元分析方法。通常，这个问题包括根据一个或多个标准将员工从一个站点移动到另一个站点。我们的目标在这个新的方法是提高服务质量和性能的所有网站的最大化的目标函数下，一些管理人员施加的限制。这里提出的制定这个问题完全符合组合优化问题（COP），这是在大多数情况下NP-难最优解决。为了避免这个困难，我们选择了使用元启发式流行的方法，这是遗传算法，解决这个问题，在具体的情况下。所取得的结果表明了我们的方法的有效性，这种方法到目前为止仍然是非常昂贵的。但是，我们计划在下一步的工作中通过不同的方法来减少时间。
2013-09-22 cs.AI
Approximate Muscle Guided Beam Search for Three-Index Assignment Problem
Software School, Dalian University of Technology（大连理工大学软件学院）
三指标指派问题（AP3）作为一个著名的NP难问题，在物流领域引起了广泛的研究。然而，现有的物流要么获得竞争力较低的解决方案，要么消耗太多的时间。在本文中，一个新的启发式命名为近似肌肉引导的束搜索（AMBS）的开发，以实现良好的折衷解决方案的质量和运行时间。通过将近似肌肉与束搜索相结合，可以显著减小解空间的大小，从而可以大幅减少搜索解的时间。实验结果表明，该算法能够获得具有竞争力质量的解，并且可以应用于大规模的算例。本文的工作不仅提出了一种新的有效的启发式算法，而且为提高束搜索的效率提供了一种很有前途的方法。
2017-03-06 cs.AI
Enhancing Column Generation by a Machine-Learning-Based Pricing Heuristic for Graph Coloring
RMIT University（皇家墨尔本理工大学）；University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）
列生成是求解大规模最优化问题的一种有效方法。CG通过用列的子集（即，变量），并逐渐包括可以改进当前子问题的解决方案的新列。新列是根据需要通过反复求解定价问题生成的，这通常是NP难的，是CG方法的瓶颈。为了解决这个问题，我们提出了一个基于机器学习的定价启发式（MLPH），可以有效地生成许多高质量的列。在CG的每次迭代中，我们的MLPH利用ML模型来预测定价问题的最优解，然后将其用于指导采样方法以有效地生成多个高质量列。使用图着色问题，我们实证表明，与六种最先进的方法相比，MLPH显着增强了CG，并且CG的改进可以导致分支和价格精确方法的性能显着更好。
2022-03-08 cs.AI cs.LG math.OC
Exact and Heuristic Methods for the Assembly Line Worker Assignment and Balancing Problem
Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）
在传统的装配线中，假设每个工人的任务执行时间都是相同的是合理的。然而，在残疾人庇护工作中心，这一假设并不成立：有些工人可能执行某些任务的速度慢得多，甚至没有能力执行这些任务。工人的异质性导致了一个问题，称为装配线工人分配和平衡问题（ALWABP）。对于固定数量的工人，问题是通过将工人分配到工作站和将任务分配给工人来最大化装配线的生产率，同时满足任务之间的优先约束。本文介绍了新的启发式和精确的方法来解决这个问题。我们提出了一个新的MIP模型，提出了一种新的启发式算法的基础上束搜索，以及面向任务的分支定界过程，使用新的约简规则和下界来解决这个问题。大量实例的计算测试表明，这些方法是有效的，并改善了现有的。
2013-08-01 cs.AI cs.DM cs.DS
Ride-pool Assignment Algorithms: Modern Implementation and Swapping Heuristics
Cornell University（康奈尔大学）
针对拼车分配问题（RAP）缺乏开源实现的问题，本文实现包含多算法的拼车模拟器并开源C++代码库，提出基于交换的启发式方法及LA-MR-CE算法，在曼哈顿数据集上实现最优服务率且计算时间显著减少。
2025-04-14 cs.AI cs.ET
Constrained Multiagent Rollout and Multidimensional Assignment with the Auction Algorithm
MIT（麻省理工学院）；ASU（亚利桑那州立大学）
我们考虑扩展的推出算法，适用于约束确定性动态规划，包括具有挑战性的组合最优化问题。该算法依赖于一个次优的政策，称为基地启发式。在适当的假设下，我们表明，如果基地启发式产生一个可行解，推出算法具有成本改善属性：它产生一个可行解，其成本是不差于基地启发式的成本。然后，我们专注于多智能体问题，在每个阶段的控制由多个组件（每个代理一个），这是通过耦合的费用函数或约束或两者兼而有之。我们表明，成本改善属性保持与替代实现，大大降低了计算要求，并使得可能使用的推出与许多代理的问题。我们证明了这种替代算法，将其应用到分层图的问题，涉及的空间和时间结构。我们认为在一些细节这样的问题的一个突出的例子：多维分配，我们使用的拍卖算法2维分配作为一个基本的启发式。这种拍卖算法特别适合我们的上下文，因为通过使用价格，它可以有利地使用分配问题的解决方案作为解决其他相关分配问题的起点，并且这可以大大加快推出算法的执行。
2020-04-27 cs.AI math.OC
Intelligent Search Heuristics for Cost Based Scheduling
护士排班是一个多约束的优化问题。在文献中有广泛的研究使用元分析方法解决这个问题。在本文中，我们将研究一个智能搜索算法，处理基于成本的调度问题。该算法表现出优越的性能相比，原来的算法用于解决李等问题。Al.（2003）和Ozkarahan（1989）在确定可行解决办法所需时间方面的观点。这两个问题都可以归结为成本问题。搜索启发式由几个阶段的搜索和输入的基础上，每个分配的成本和分配将如何与资源的成本相互作用。
2012-10-04 cs.AI math.OC
Trace-Mediated Peak Bias: Bridging Temporal Credit Assignment and Cognitive Heuristics in Deep Reinforcement Learning
Department of AI, University of Groningen（格罗宁根大学人工智能系）
本文发现深度强化学习中的迹介导峰值偏差（TMPB），揭示了其作为峰值-末端规则的机制基础，并证明自适应优化器通过二阶矩归一化可缓解该偏差。
2026-06-03 cs.AI cs.LG
Demystifying the Recency Heuristic in Temporal-Difference Learning
University of Alberta（阿尔伯塔大学）
本文分析了TD学习中近因启发式的数学含义，证明满足该启发式的回报估计器能保证收敛、具有较快收缩率且方差有界，并指出违反此启发式的方法可能发散。
2024-08-26 cs.AI cs.LG
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
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
NurseSchedRL: Attention-Guided Reinforcement Learning for Nurse-Patient Assignment
Yeshiva University（耶鲁大学）
本文提出 NurseSchedRL 强化学习框架，通过注意力表示、约束动作掩码和 PPO 优化护士-患者分配，在仿真中提升排班效率、技能匹配度并降低疲劳。
2025-09-10 cs.AI cs.LG
Taxi dispatching strategies with compensations
Universidad Rey Juan Carlos（胡安卡洛斯国王大学）；Universitat Politècnica de Valencia（瓦伦西亚理工大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对动态出租车分配中全局效率与司机个体收益冲突的问题，本文提出支持重新分配的启发式算法及经济补偿机制，实验表明其可减少乘客等待时间并兼顾经济效益。
2024-01-21 cs.AI
Boolean Decision Rules via Column Generation
IBM Research（IBM研究院）
本文将逻辑规则的析取范式（DNF，OR-of-ANDs，等价于决策规则集）或合取范式（CNF，AND-of-ORs）学习作为一种可解释的分类模型。一个整数规划，制定最佳贸易规则简单的分类精度。列生成（CG）用于有效地搜索指数数量的候选子句（合取或析取），而不需要启发式规则挖掘。该方法还限制了所选规则集与训练数据上的最佳可能规则集之间的差距。为了处理大数据集，我们提出了一个近似CG算法使用随机化。与最近提出的三种替代方案相比，CG算法在15个数据集中的7个数据集中占主导地位。当最大限度地提高准确性时，CG与为此目的而设计的规则学习器具有竞争力，有时可以找到非常简单的解决方案，但准确性并不差。
2020-08-05 cs.AI
Assignment-Routing Optimization: Solvers for Problems Under Constraints
Singapore Institute of Technology（新加坡理工学院）；Mathematical Institute, Faculty of Mathematics and Physics, Charles University（数学学院，数学与物理系，查尔斯大学）
本文提出了一种基于MIP的求解器，用于解决受约束的路径-分配优化问题，在包装规划、运动规划和复杂物流中表现出高效和高质量的解决方案。
2025-12-21 cs.AI
Generalizable Meta-Heuristic based on Temporal Estimation of Rewards for Large Scale Blackbox Optimization
Mila（米拉）；McGill University（麦吉尔大学）；Dalian University of Technology（大连理工大学）
随着搜索空间维数的增加，启发式优化算法的泛化能力会下降。为了在大规模黑盒优化（LSBO）任务中实现通用性能，可以集成几个启发式算法并设计一个元启发式算法来控制它们的启动。本文首先提出了一种将LSBO问题转化为在线决策过程的方法，以最大限度地提高资源利用效率。然后，使用的角度来看，多武装土匪与非平稳的奖励分布，我们提出了一个元启发式的奖励时间估计（TER）的基础上，以解决这样的决策过程。TER使用时间信用分配和玻尔兹曼探索的窗口来平衡探索-开发权衡。无优先级的TER在LSBO任务中具有针对不同类型的有限计算资源（例如，时间、金钱等）的灵活性。并且由于其简单性和用于启发式表达的简单接口而易于适应新任务。测试的基准验证的问题制定，并建议显着的有效性：当TER是阐明了三个prostitics，竞争力的表现是报告在不同的基准问题与搜索维度高达10000。
2019-09-18 cs.AI cs.NE
Coordinate descent heuristics for the irregular strip packing problem of rasterized shapes
Osaka University（大阪大学）
我们考虑栅格化形状的不规则条带包装问题，其中以像素表示的一组给定的不规则形状片段应该无重叠地放置到矩形容器中。栅格化的形状提供了简单的相交测试过程，而没有由于几何问题而导致的任何异常处理，但它们通常需要大量的内存和高分辨率的计算工作。为了降低光栅化形状的复杂性，我们提出了一对扫描线表示称为双扫描线表示，合并连续的像素在每一行和每一列成带单位宽度，分别。在此基础上，我们开发了坐标下降算法的光栅模型，重复线搜索在水平和垂直方向交替，其中我们还介绍了角点检测技术用于计算机视觉，以减少搜索空间。测试实例的计算结果表明，该算法在合理的计算时间内获得足够密集的高分辨率的光栅化形状的布局。
2022-03-22 cs.AI cs.CG math.OC
