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
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
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
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
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
Belief Updating by Enumerating High-Probability Independence-Based Assignments
Air Force Institute of Technology（空军理工学院）；Ben Gurion University of the Negev（内盖夫本-古里安大学）
基于独立性（IB）的贝叶斯信念网络分配最初被提出作为溯因解释。IB分配分配更少的变量在溯因解释比计划分配值的所有证据支持的变量。我们使用IB分配来近似贝叶斯信念网络中的边缘概率。最近的工作在贝叶斯网络的信念更新试图近似后验概率找到一个小数目的最高概率完成（或可能证据支持）的分配。在某些假设下，这些赋值的并集中的概率质量足以获得良好的近似。这种方法对于高度连接的网络特别有用，其中最大团大小或割集大小使标准算法难以处理。由于IB作业包含较少的分配变量，因此每个作业中的概率质量大于相应的完整作业。因此，更少的IB赋值就足够了，并且可以更有效地获得良好的近似。IB分配可以用于有效地近似后验节点概率，即使在不遵守先前研究中使用的相当严格的偏度假设的情况下。提出了两种寻找高概率IB分配的算法：一种是最佳优先启发式搜索算法，另一种是专用整数线性规划算法。实验结果表明，该方法对高度连通的信度网络是可行的。
2013-02-27 cs.AI
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
Heuristics for vehicle routing problems: Sequence or set optimization?
KU Leuven（鲁汶大学）；Federal University of Ouro Preto（乌罗普雷托联邦大学）；Pontifícia Universidade Católica do Rio de Janeiro（里约热内卢天主教大学）
研究了基于车辆到客户“分配”和访问“排序”决策变量的容量约束车辆路径问题（CVRP）的结构分解。我们发现，启发式搜索集中在分配决策与系统的最佳选择的序列（使用协和TSP求解器）在每次移动评估是有希望的，但需要一个令人望而却步的计算工作。因此，我们引入了一个中间搜索空间，基于动态规划过程的Balas和Simonetti，它找到了一个很好的妥协之间的集约化和计算效率。各种加速技术提出了一个快速的探索：邻域减少，动态移动过滤器，内存结构和级联技术。最后，隧道策略的设计，重塑搜索空间的算法的进展。这些技术在经典局部搜索以及统一混合遗传搜索（UHGS）中的组合可以显着提高解的准确性。为只有256个客户的小实例找到了新的最佳解决方案。到目前为止，这些解决方案还没有在经典社区中实现。总的来说，这项研究允许更好地评估各自的影响，序列和分配优化，提出了新的方式相结合的优化这两个决策集，并打开了有前途的研究前景的CVRP及其变种。
2018-03-16 cs.AI math.OC
A simulated annealing approach to optimal storing in a multi-level warehouse
Universität Regensburg（雷根斯堡大学）；Weierstrass Institute for Applied Analysis and Stochastics（魏尔斯特拉斯应用分析与随机研究所）
我们提出了一种模拟退火算法，专门针对优化总检索时间在一个复杂的预批拣选约束下的多级仓库。在欧洲制造商的仓库中，从拣选员到零件的订单拣选过程的真实数据的实验表明，最佳的存储分配不一定显示在物流学中假定的特征，例如正相关项目的聚类或按拣选频率排序的项目。在一个实验中运行的4000多批订单，每批1至150个项目，存储分配建议的算法产生了21%的减少，在总检索时间相对于基于频率的存储分配。
2017-03-25 cs.AI
Variable Neighborhood Search for the University Lecturer-Student Assignment Problem
Universität Hohenheim（霍恩海姆大学）
本文研究了一般的局部搜索算法和变邻域搜索算法，并将其应用于高校实际工作中的一个分配问题的求解。在这里，学生必须被分配到由工作人员提出和支持的科学主题。该问题涉及到学生在申请某些主题时可能表达的给定偏好下的优化。可以观察到，可变邻域搜索导致测试问题实例的优越结果。一个实例取自实际案例，而其他实例则基于真实世界的数据生成，以支持更深入的分析。问题的扩展已经制定了第二个目标函数，同时平衡工作人员的工作量，同时最大限度地提高学生的效用。算法方法已在计算机系统中原型实现。这方面的一个重要方面是将研究工作应用于其他科学机构的问题，从而提供决策支持功能。
2008-09-05 cs.AI
Indoor UAV scheduling with Restful Task Assignment Algorithm
Aalborg University（奥尔堡大学）
无人机调度问题的研究已经引起了优化领域科学家们的兴趣。当调度本身自19世纪以来已经建立了一个强大的根，无人机在室内环境调度的工作在最近十年出现。几个工作调度无人机操作在室内（二维和三维）和室外环境的报告。本文对三维室内环境下的无人机调度问题进行了深入研究。处理室内环境\textemdash，其中人、UAV和其他元件或基础设施可能共存于同一空间\textemdash中，引起对操作安全的关注。关于电池电量，保持的电池电量导致更安全的操作，促进UAV具有适当的剩余电量水平。提出了一种基于REST任务分配算法的启发式方法，并结合粒子群优化算法。其动机是在整个操作过程中保持电池水平，从而降低无人机执勤失败的可能性。使用54个基准数据集对该方法进行了测试，强调4个不同的方面：地理距离，任务数量，前任数量和松弛时间。的测试结果和他们的特点方面所提出的方法进行了讨论和介绍。
2017-06-29 cs.AI
Local Optima Networks of the Quadratic Assignment Problem
University of Lausanne（洛桑大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）；University of Nice Sophia-Antipolis（尼斯索菲亚·安提波利斯大学）；CNRS（法国国家科学研究中心）；University of Nottingham（诺丁汉大学）
使用最近提出的组合景观模型，局部最优网络（LON），我们进行了彻底的分析的两种类型的实例的二次分配问题（QAP）。该网络模型是景观的简化，其中节点对应于局部最优值，边缘说明了它们的吸引域之间的相邻概念。该模型的灵感来自物理化学中提出的势能面的“固有网络”概念。从所谓的均匀QAP实例和类实数QAP实例中提取的局部最优网络，显示出明显区分这两种类型实例的特征。分析结果除了明确证实了搜索难度随问题维数的增加而增加外，还提供了新的证据，说明了为什么类实数实例更容易用启发式搜索精确求解，而均匀实例更容易近似求解。虽然局部最优网络模型仍在发展中，我们认为，它提供了一个新的组合景观，开辟了新的分析工具和理解问题的难度在组合优化的可能性。
2011-07-21 cs.AI
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
Local Optima Networks, Landscape Autocorrelation and Heuristic Search Performance
University of Málaga（马拉加大学）；University of Lausanne（洛桑大学）；University of Nottingham（诺丁汉大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧洲分所）；University of Nice Sophia-Antipolis（尼斯索菲亚·安提波利斯大学）
适应度景观分析的最新发展包括局部最优网络（LON）的研究和基本景观理论的应用。本文代表了第一步，结合这两个工具，探索他们的能力，预测搜索算法的性能。我们的分析基于二次分配问题（QAP），并对600多个不同类型的生成实例进行了大量的统计研究。我们的研究结果揭示了有趣的网络措施，自相关措施和启发式搜索算法的性能之间的联系。
2012-10-15 cs.AI cs.NE
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
Analysing Neural Language Models: Contextual Decomposition Reveals Default Reasoning in Number and Gender Assignment
University of Amsterdam（阿姆斯特丹大学）
最近的大量研究表明，递归神经语言模型能够处理广泛的语法现象。然而，这些模型如何能够如此出色地完成这些非凡的壮举，仍然是一个悬而未决的问题。为了更深入地了解LSTM基于什么样的信息做出决策，我们提出了一个概括的上下文分解（GCD）。特别是，这种设置使我们能够准确地判断预测的哪一部分源于语义分析，哪一部分真正源于句法线索，哪一部分源于模型偏见本身。我们调查这项技术的任务有关的句法协议和共指决议，并发现该模型强烈依赖于一个默认的推理效果来执行这些任务。
2019-09-19 cs.AI cs.CL stat.ML
Learning to Condition: A Neural Heuristic for Scalable MPE Inference
Department of Computer Science（计算机科学系）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出 L2C 神经启发式框架，从 MPE 求解器搜索轨迹中学习条件化策略，以在高树宽 PGM 上显著缩减搜索空间并保持或提升解质量。
2025-09-22 cs.AI cs.LG
Sparse Attentive Backtracking: Long-Range Credit Assignment in Recurrent Networks
MILA, Université de Montréal（蒙特利尔大学 MILA）；Polytechnique Montréal（蒙特利尔理工学院）；HEC Montréal（蒙特利尔高等商学院）
时间反向传播（BPTT）的一个主要缺点是学习长期依赖性的困难，这是因为必须通过向前计算的每单步的向后传播信用信息。这使得BPTT在计算上不切实际，在生物学上也不可信。由于这个原因，通过时间的完全反向传播很少用于长序列，通过时间的截断反向传播被用作启发式。然而，这通常会导致对梯度的有偏估计，其中忽略了长期依赖性。为了解决这个问题，我们提出了一种替代算法，稀疏注意回溯，这也可能与大脑学习长期依赖关系的原则有关。稀疏注意回溯在过去的隐藏状态上学习注意力机制，并选择性地通过具有高注意力权重的路径反向传播。这允许模型学习长期依赖关系，同时仅回溯少量时间步，不仅从最近的过去，而且从相关的过去状态。
2017-11-07 cs.AI cs.LG cs.NE
