FHHOP: A Factored Hybrid Heuristic Online Planning Algorithm for Large POMDPs
部分可观测马尔可夫决策过程（POMDPs）的规划仍然是人工智能社区的一个具有挑战性的话题，尽管最近在近似技术方面取得了令人印象深刻的进展。以前的研究表明，在线规划方法是有前途的，在处理大规模POMDP域有效地，因为他们作出决定“按需”，而不是主动为整个状态空间。提出了一种求解大型POMDPs的因子混合启发式在线规划算法。FHHOP通过将新的混合启发式搜索策略与最近开发的分解状态表示相结合来获得其功能。在几个基准问题上，FHHOP在可扩展性和质量方面都大大优于最先进的在线启发式搜索方法。
2012-10-16 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
The Fifteen Puzzle- A New Approach through Hybridizing Three Heuristics Methods
Charmo University（查尔莫大学）；Erbil Polytechnic University（埃尔比勒理工大学）；University of Kurdistan Hewler（库尔德斯坦赫乌勒大学）；Torrens University（托伦斯大学）；Yonsei University（延世大学）
15难题是困扰数学爱好者几个世纪的经典难题之一。这主要是因为状态空间非常大，大约有1013个状态需要探索，并且已经应用了几种算法来解决十五个谜题实例。针对这一大的状态空间，采用双向A*（BA*）搜索算法，结合曼哈顿距离（MD）、线性冲突（LC）和步行距离（WD）三种算法，对十五道难题进行求解。上述三种算法将以一种可以显着减少算法生成状态数量的方式进行混合。此外，所有这些算法只需要25 KB的存储空间，但有助于算法有效地减少生成的状态数和扩展更少的节点。我们的BA* 搜索实现可以显著降低空间复杂度，并保证最优或接近最优的解决方案。
2023-01-06 cs.AI
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
Hybrid Henry Gas Solubility Optimization Algorithm with Dynamic Cluster-to-Algorithm Mapping for Search-based Software Engineering Problems
Universiti Malaysia Pahang（马来西亚彭亨大学）；Karlstad University（卡尔斯塔德大学）
本文讨论了亨利气体溶解度优化（HGSO）算法的一个新的变种，称为混合HGSO（HHGSO）。与其前身不同，HHGSO允许多个集群服务于不同的个体元启发式算法（即，具有其自己定义的参数和局部最佳值）以在同一种群内共存。HHGSO通过自适应切换因子的惩罚和奖励模型实现簇到算法的动态映射，提出了一种新的元启发式混合算法，分别由Jaya算法、Sooty Tern优化算法、Butterfly优化算法和Owl搜索算法组成。从所选的两个案例研究中获得的结果（即，包括团队形成问题和组合测试集生成）的实验结果表明，混合算法显著提高了HGSO的性能，并且与其他竞争的元启发式和超启发式算法相比具有更好的性能。
2021-05-31 cs.AI
A Hybrid LP-RPG Heuristic for Modelling Numeric Resource Flows in Planning
King’s College London（伦敦国王学院）
虽然使用度量fluents是许多实际规划问题的基础，但支持全自动规划人员使用这些fluents的算法研究仍然相对未被探索。最广泛使用的启发式算法是将度量流松弛为区间值变量-这个想法是十年前首次提出的。其他的语法依赖于提供关于流畅度的附加信息的域编码，例如容量限制或其他资源相关的注释。这些方法面临的一个特殊挑战是如何处理代表交换的度量流之间的相互作用，例如将大量原材料转化为大量加工产品，或以货币交换材料。在这些情况下，通常的度量流畅性放松往往非常差，因为它没有认识到资源一旦花费，就不再可以再次花费。我们提出了一个启发式的数字规划问题的命题放松规划图的基础上，但使用的数学程序的数字推理。我们定义了一类生产者-消费者规划问题，并演示了如何在这些数字约束可以建模在一个混合整数规划（MIP）。该MIP然后与度量松弛规划图（RPG）启发式算法相结合，产生一个集成的混合启发式算法。MIP比通常的放松更准确地跟踪资源使用，但放松了行动的顺序，而RPG则捕获了问题的因果命题方面。我们讨论了这两个组件如何相互作用，产生一个统一的启发式，并继续探索如何进一步的数字功能的规划问题可以集成到MIP。我们表明，编码命题问题的一个有限的子集，以增加MIP可以产生更准确的指导，部分利用结构，如命题地标和命题资源。我们的研究结果表明，使用这种启发式算法提高了问题的可扩展性，其中数字资源交互是找到解决方案的关键。
2014-02-04 cs.AI
Hybrid MKNF for Aeronautics Applications: Usage and Heuristics
CNRS, France（法国国家科学研究中心）
本文提出混合MKNF在航空应用中的使用方法及启发式策略，以提升复杂领域知识的表达能力和推理效率。
2026-01-07 cs.AI cs.LO
Automated Hybrid Grounding Using Structural and Data-Driven Heuristics
Univ. Artois, CNRS, UMR8188, Computer Science Research Center of Lens (CRIL), Lens, France（阿托瓦大学、法国国家科学研究中心、UMR8188、Lens计算科学研究中心（CRIL）、Lens）
本文提出基于结构和数据驱动启发式的自动化混合接地方法，通过分割算法优化接地策略，提升难接地场景的性能并接近当前最佳水平。
2025-07-23 cs.AI cs.LO
Intelligent Cloud Orchestration: A Hybrid Predictive and Heuristic Framework for Cost Optimization
G H Patel College of Engineering and Technology（G H Patel工程技术学院）
本文提出结合LSTM预测与启发式方法的混合框架，以在保持快速响应时间的同时降低云资源管理成本。
2026-04-02 cs.AI cs.DC cs.LG
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
Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios
本文提出一种结合残差增强深度强化学习的动量约束混合启发式轨迹优化框架，用于提升视障场景下的导航鲁棒性与安全性。
2025-12-05 cs.AI cs.RO
Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models
Kansas State University（堪萨斯州立大学）
本文针对 PM2.5 小时浓度预测中基线参数与缺失数据被忽视的问题，用 GWO 和 PSO 优化 SVR 的 C 与 Gamma，显著提升了预测精度。
2024-07-01 cs.AI cs.LG cs.NE
From Extraction to Synthesis: Entangled Heuristics for Agent-Augmented Strategic Reasoning
Institute for Generative Strategy（生成战略研究所）；Stake Lab, University of Molise（莫利塞大学Stake实验室）
本文提出一种混合架构，通过语义激活与组合式综合将冲突启发式融合为上下文敏感的叙事，用于智能体增强型战略推理，并以Meta与FTC案例进行初步验证。
2025-07-18 cs.AI
Large Scale Global Optimization by Hybrid Evolutionary Computation
Institute for Development and Research in Banking Technology（银行技术发展与研究院）；University of Hyderabad（海得拉巴大学）
在管理、商业、经济、科学、工程和研究领域，大规模全局优化（LSGO）起着主导和重要的作用。虽然LSGO在许多应用领域都有应用，但它是一个非常麻烦和不合理的任务。演化计算大会（CEC）发起了一项LSGO竞赛，以提出一系列标准基准无约束LSGO函数的算法。因此，在本文中，我们提出了一种混合元启发式算法，它结合了改进和修改的和声搜索（IMHS），以及一个改进的差分进化（MDE）与备用选择策略。和声搜索（HS）的工作是探索和利用，而差分进化的工作是对IMHS的探索进行扰动，因为和声搜索会陷入局部最优。为了判断所提出的算法的性能，我们比较了所提出的算法与10个优秀的元启发式算法的15个LSGO基准函数，其中有1000个连续的决策变量，CEC 2013 LSGO特别会议。实验结果一致表明，我们提出的混合元启发式算法在统计上与一些算法在少数问题上表现相当，而在几个问题上它是最好的。
2019-10-09 cs.AI cs.NE
A Hybrid Anytime Algorithm for the Constructiion of Causal Models From Sparse Data
University of Pittsburgh（匹兹堡大学）
我们提出了一个混合约束为基础的/贝叶斯算法学习因果网络中存在的稀疏数据。该算法搜索空间的等价类的模型（基本图），使用传统的基于约束的技术的基础上的启发式。然后将每个基本图转换为有向非循环图，并使用贝叶斯评分度量进行评分。该算法的两个变种的开发和测试使用的数据从随机生成的网络的大小从15到45个节点的数据大小范围从250到2000记录。这两种变化进行了比较，并发现始终优于两个变化的贪婪搜索与重新启动。
2013-01-23 cs.AI
A Hybrid Evolutionary Algorithm Based on Solution Merging for the Longest Arc-Preserving Common Subsequence Problem
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所 (IIIA-CSIC)）；Universitat Politècnica de Catalunya (BarcelonaTech)（加泰罗尼亚理工大学 (BarcelonaTech)）
最长弧保持公共子序列问题是计算生物学领域的一个NP-难组合优化问题。这个问题发现应用，特别是在比较弧注释的核糖核酸（RNA）序列。在这项工作中，我们提出了一个简单的，混合进化算法来解决这个问题。该算法最重要的特点是基于解合并的交叉算子。在解决方案合并中，将问题的两个或多个解决方案合并，并使用精确技术在此联合中找到最佳解决方案。实验结果表明，该算法优于文献中的启发式。
2017-02-01 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
Train Scheduling with Hybrid Answer Set Programming
SBB Switzerland（瑞士联邦铁路）；Potassco Solutions Germany（德国Potassco解决方案公司）；Simon Fraser University（西蒙弗雷泽大学）；Griffith University（格里菲斯大学）；University of Potsdam（波茨坦大学）
提出了一种基于回答集编程（ASP）的训练调度问题的解决方案。为此，我们追求一种混合的方法，扩展ASP与不同的约束，以考虑细粒度的时间。更确切地说，我们举例说明如何混合ASP系统clingo[DL]可以用来解决苛刻的计划和调度问题。特别是，我们研究了如何提高性能相结合的不同ASP解决技术，如近似和算法，预处理和编码技术，以解决大规模的，现实世界的训练调度实例。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2020-03-19 cs.AI
Neuro-Evolved Heuristics for Variable Gapped Common Subsequence Identification
University of Nova Gorica（新戈里察大学）；Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））；Faculty of Mathematics, University of Belgrade（贝尔格莱德大学数学学院）；Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Institute of Information Sciences (IZUM)（信息科学研究所（IZUM））
该研究针对可变间隙最长公共子序列问题，提出神经进化启发式算法，结合集成方法优化迭代多源束搜索框架，在合成与真实世界实例上性能优于现有方法。
2026-08-04 cs.AI
Efficient Policy Learning with Hybrid Evaluation-Based Genetic Programming for Uncertain Agile Earth Observation Satellite Scheduling
本文提出混合评估基于遗传编程方法，解决不确定敏捷地球观测卫星调度问题，通过结合精确和近似过滤模式降低计算成本并提升调度性能。
2026-03-18 cs.AI
Improving probability selecting based weights for Satisfiability Problem
Southwest Jiaotong University（西南交通大学）；Ulster University（阿尔斯特大学）；University of Miami（迈阿密大学）
布尔可满足性问题（SAT）是人工智能领域的一个重要问题，也是其求解对复杂问题影响的一个重要方面。近年来，在均匀随机k-SAT问题的随机局部搜索（SLS）算法和硬随机SAT问题的混合算法上分别取得了突破性进展，提出了Score 2SAT，YalSAT，ProbSAT，CScoreSAT等几种最新的SLS算法，并提出了SparrowToRiss等一种最新的混合算法。然而，目前还没有一种算法可以有效地解决均匀随机k-SAT和HRS。本文针对均匀随机k-SAT和HRS提出了一种新的SLS算法SelectNTS。SelectNTS是一种改进的基于概率选择的局部搜索算法。SelectNTS的核心是新子句和变量选择算法。新子句选择启发式算法使用新子句加权方案和有偏随机游走。新的变量选择启发式算法采用一种概率选择策略，并基于一种新的变量加权方案对CC策略进行了改进。在2017年和2018年SAT竞赛中的著名随机基准测试实例以及随机生成的问题上进行的大量实验结果表明，我们的算法优于最先进的随机SAT算法，并且我们的SelectNTS可以有效地解决均匀随机k-SAT和HRS。
2020-07-30 cs.AI
Inference Plans for Hybrid Particle Filtering
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Binghamton University（宾汉姆顿大学）；Université Paris Cité（巴黎城市大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；IRIF（法国信息学研究所）；IBM Research（IBM研究院）
本文提出推理计划接口及Siren语言，使开发者能控制混合粒子滤波中随机变量的划分，通过静态分析验证计划可满足性，平均提速1.76倍、精度提升1.83倍。
2024-12-14 cs.AI cs.PL
A Hybrid Local Search for Simplified Protein Structure Prediction
Queensland Research Laboratory, NICTA（NICTA昆士兰研究实验室）；Institute for Integrated and Intelligent Systems (IIIS), Griffith University（格里菲斯大学集成与智能系统研究所）
基于疏水-极性能量模型的蛋白质结构预测实质上是寻找一个中心具有紧密疏水核的构象。疏水核心使给定蛋白质的氨基酸之间的相互作用能最小化。局部搜索算法可以通过从当前解重复移动到其“最佳”邻居来快速找到非常好的构象。然而，一旦发现了这样一个紧密的疏水核心，搜索就停滞了，并花费了巨大的努力来寻找替代核心。在本文中，我们试图重构具有这种紧凑核心的构象片段。我们选择一个大的部分或一些小的部分，并应用穷举局部搜索。我们还应用了混合启发式，使一个启发式可以帮助逃脱另一个的局部极小值。我们通过使用面心立方（FCC）格对一组标准基准蛋白质进行评估，并获得了比最先进的方法明显更好的结果。
2013-10-31 cs.AI cs.CE
CodeEvo: Interaction-Driven Synthesis of Code-centric Data through Hybrid and Iterative Feedback
Shanghai AI Laboratory（上海人工智能实验室）；The University of Hong Kong（香港大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）；Shanghai Innovation Institute（上海创新研究院）
为解决高质量指令-代码对获取难题，提出双智能体架构CodeEvo，审查器制定模式并结合混合验证协议，构建CodeEvo-100K数据集，实验表明基于此数据微调的模型在代码生成基准测试中表现出色。
2026-07-28 cs.AI cs.CL cs.SE
Multi-User Remote lab: Timetable Scheduling Using Simplex Nondominated Sorting Genetic Algorithm
The University of Sydney（悉尼大学）
多用户远程实验室的调度建模为一个多峰函数所提出的优化算法。针对远程实验室协调共享访问的时间表问题，提出了Nelder-Mead单纯形算法和非支配排序遗传算法（NSGA）的混合优化算法。该算法利用单纯形算法的探索，和NSGA排序的局部最优点考虑潜在的地区。将该算法应用于复杂的非线性连续多峰函数，并与单纯形粒子群优化、单纯形遗传算法等启发式算法进行了性能比较。
2020-03-26 cs.AI cs.NE
BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design
IEEE
BEAM通过双层优化方法，结合遗传算法和MCTS，改进LLM驱动的启发式设计，有效提升复杂代码生成效率，实验显示在CVRP混合算法设计中优化差距减少37.84%。
2026-04-14 cs.AI math.CO
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
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
Combining Monte-Carlo and Hyper-heuristic methods for the Multi-mode Resource-constrained Multi-project Scheduling Problem
University of Nottingham（诺丁汉大学）；University of Essex（埃塞克斯大学）
多模式资源和优先约束的项目调度是一个著名的具有挑战性的现实世界的优化问题。该问题的一个重要变体要求在考虑当地和全球资源的可用性的同时，考虑一系列约束条件，为多个项目安排活动。本文所述基准的一个关键方面是，主要目标是最大限度地减少项目完成时间的总和，通常的完工时间最小化作为次要目标。我们观察到，这将导致一个预期的不同的整体结构的良好的解决方案，并讨论这对算法设计的影响。本文提出了一个精心设计的混合蒙特卡罗树搜索，新颖的邻域移动，模因算法，超探试法。该实现还被设计为提高执行迭代的速度，并利用多核机器的计算能力。经验评估表明，所得到的信息共享多组件算法显着优于其他求解器上的一组“隐藏”的情况下，即实例不可用的算法设计阶段。
2016-09-08 cs.AI cs.DS cs.NE
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
