Algorithm Selection for Combinatorial Search Problems: A Survey
算法选择问题是指根据具体情况选择最佳算法来解决给定问题。在过去的十年中,它变得特别重要,因为研究人员越来越多地研究如何确定最合适的现有算法来解决问题,而不是开发新的算法。本调查概述了这项工作,重点关注在组合搜索问题领域所做的贡献,其中算法选择技术取得了显着的性能改进。我们统一和组织大量的文献,根据标准,确定算法选择系统在实践中。方法的综合分类识别和分析了算法选择的不同方向。本文对比和比较了不同的方法来解决这个问题,以及使用这些解决方案的方式。它通过确定当前和未来研究的方向来结束。
2012-10-30 cs.AI
A Survey for Solving Mixed Integer Programming via Machine Learning
Shanghai Jiao Tong University(上海交通大学);Huawei Ltd.(华为技术有限公司)
本文综述了利用机器学习解决混合整数规划(MIP)问题的趋势。理论上,MIP是一个NP难问题,大多数组合优化(CO)问题都可以表示为MIP。与其他CO问题一样,MIP的人工设计启发式算法依赖于良好的初始解,并消耗大量的计算资源。因此,我们考虑应用机器学习方法来解决MIP,因为ML增强的方法可以提供基于历史数据中的典型模式的解决方案。本文首先介绍了MIP的形式和分类,以及几种传统的求解MIP的算法。在此基础上,进一步推动机器学习与MIP的不同融合,并引入相关的基于学习的方法,分为精确算法和启发式算法。最后,我们提出了基于学习的MIP求解器的前景,对MIP以外的组合优化问题的方向,也是传统的求解器和机器学习组件的相互拥抱。
2022-03-06 cs.AI
Stochastic Constraint Programming
Cork Constraint Computation Centre(科克约束计算中心);University College Cork(科克大学学院)
为了模拟涉及不确定性和概率的组合决策问题,我们引入了随机约束规划。随机约束程序包含决策变量(我们可以设置)和随机变量(遵循概率分布)。它们结合了传统的约束满足,随机整数规划和随机可满足性的最佳功能。我们给出了随机约束规划的一个语义,并提出了一些完整的算法和近似程序。最后,我们讨论了一些扩展的随机约束规划放松各种假设,如随机变量之间的独立性,并比较与其他方法的决策下的不确定性。
2009-03-06 cs.AI
Nmbr9 as a Constraint Programming Challenge
现代棋盘游戏是有趣的组合问题和新的挑战的丰富来源。游戏Nmbr 9是一个使用polyominoes的纸牌风格益智游戏。游戏规则很容易解释,但使用约束编程有效地建模游戏是困难的。这个摘要介绍了游戏,有助于新的广义的游戏适合于基准测试和测试的变种,并描述了所提出的变种的模型。在标准游戏中最高可能得分的问题是一个公开的挑战。
2020-01-13 cs.AI
A new constraint programming model and a linear programming-based adaptive large neighborhood search for the vehicle routing problem with synchronization constraints
VNU University of Engineering and Technology(越南国立大学工程技术大学);Université de Montréal(蒙特利尔大学);CIRRELT(企业物流研究中心);École Polytechnique de Montréal(蒙特利尔综合理工学院)
我们考虑一个车辆路径问题,寻求最小化成本的时间窗口和同步约束。在这个问题中,车队分为常规车辆和特殊车辆。一些客户需要两辆车的服务,其在客户处的开始服务时间是同步的。尽管其重要的现实世界的应用,这个问题很少在文献中研究。为了解决这个问题,我们提出了一个约束规划(CP)模型和自适应大邻域搜索(ALNS),其中插入算子的设计是基于求解线性规划(LP)模型,以检查插入的可行性。还提出了一些加速技术,以显着减少计算时间。计算实验表明,我们的新的CP模型发现更好的解决方案比现有的基于CP的ANLS,当使用在小的实例与25个客户和更短的运行时间。我们的LP为基础的ALNS占主导地位的cp-ALNS,在解决方案的质量,当它提供更好的目标值的解决方案,平均而言,所有实例类。这表明了使用线性规划而不是约束规划的优势,当处理具有相对严格约束的车辆路径问题时,这通常被认为是更有利于基于CP的方法。
2019-10-18 cs.AI
Learning Valid Dual Bounds in Constraint Programming: Boosted Lagrangian Decomposition with Self-Supervised Learning
Ecole Polytechnique(巴黎综合理工学院)
本文提出一种自监督学习方法,利用神经网络直接生成拉格朗日乘子以产生紧致对偶边界,显著减少次梯度优化步骤,提升约束编程求解器的剪枝效率与执行速度。
2024-08-22 cs.AI
Correlation Heuristics for Constraint Programming
School of Computing National University of Singapore(新加坡国立大学计算机学院)
有效的通用搜索策略是约束编程中的一个重要组成部分。我们引入了一个新的想法,即使用变量之间的相关性来指导搜索。变量相关性的测量和维护使用域的变化在约束传播。我们提出了两个变量的相关矩阵,crbs-sum和crbs-max的基础上。我们评估我们的相关算法与众所周知的算法,即DOM/WDEG,基于影响的搜索和基于活动的搜索。在大量基准测试集上的实验表明,我们的相关算法与其他算法相比具有竞争力,并且在许多系列上都是最快的。
2018-05-24 cs.AI
Constrained optimization under uncertainty for decision-making problems: Application to Real-Time Strategy games
LS2N, Université de Nantes(南特大学LS2N实验室);JFLI, CNRS, National Institute of Informatics(日本信息学研究所,法国国家科学研究中心JFLI实验室)
决策问题可以建模为组合优化问题与约束规划形式主义,如约束优化问题。然而,很少有约束规划的形式主义可以同时处理优化和不确定性,他们都不方便,我们在本文中处理的模型问题。在这里,我们提出了一种方法来处理组合优化问题的不确定性的经典约束优化问题的形式主义,通过注入秩相关效用从决策理论。我们还提出了我们方法的概念证明,以证明它是可实现的,可以使用常规约束求解器解决具体的决策问题,并提出了一个赢得2018年μRTS AI竞赛部分可观察轨道的机器人。我们的研究结果表明,它是可以处理不确定性与定期约束编程求解器,而不必定义一个新的形式主义,也不开发专用的求解器。这为约束程序设计中处理不确定性问题带来了新的视角。
2019-04-23 cs.AI
Activity-Based Search for Black-Box Contraint-Programming Solvers
University of Connecticut(康涅狄格大学);Brown University(布朗大学)
鲁棒搜索过程是黑盒约束规划求解器设计的核心组成部分。本文提出了基于活动的搜索,利用变量在传播过程中的活动来指导搜索的思想。基于活动的搜索进行了比较实验的影响为基础的搜索和WDEG的算法。在各种基准测试上的实验结果表明,基于活动的搜索比其他算法更健壮,并且可能会产生显着的性能改善。
2011-05-31 cs.AI cs.MS
On combinatorial optimization for dominating sets (literature survey, new models)
本文主要讨论连通支配集问题的几种形式:基本问题和多准则问题。一个文献调查的基本问题配方和解决方法。用简化的数值例子说明了基本的连通支配集问题。提出了一种新的支配集问题的整数规划公式(具有多集估计)。
2020-09-19 cs.AI cs.DS math.OC
Efficient Active Search for Combinatorial Optimization Problems
Bielefeld University(比勒费尔德大学);Samsung SDS(三星SDS)
最近,已经提出了许多用于组合优化问题的基于机器学习的方法,这些方法通过强化学习在顺序决策过程中学习构造解。虽然这些方法可以很容易地与像采样和束搜索这样的搜索策略相结合,但是将它们集成到提供强搜索指导的高级搜索过程中并不简单。Bello等人(2016)提出了主动搜索,它使用强化学习在测试时调整(训练)模型相对于单个实例的权重。虽然主动搜索很容易实现,但它与最先进的方法没有竞争力,因为为每个测试实例调整所有模型权重是非常耗时和内存密集的。而不是更新所有的模型权重,我们提出并评估三个有效的主动搜索策略,只更新一个子集的参数在搜索过程中。所提出的方法提供了一种简单的方法,显着提高搜索性能的一个给定的模型,并优于国家的最先进的机器学习的组合问题的方法,甚至超过了著名的启发式求解器LKH 3的能力限制的车辆路径问题。最后,我们证明了(有效的)主动搜索使学习模型能够有效地解决比训练过程中看到的大得多的实例。
2022-03-15 cs.AI cs.LG math.OC
Language Generation via Combinatorial Constraint Satisfaction: A Tree Search Enhanced Monte-Carlo Approach
Purdue University(普渡大学);ByteDance AI Lab(字节跳动人工智能实验室)
在复杂约束条件下生成自然语言是实现可控文本生成的一个原则性表述。我们提出了一个框架,允许指定的组合约束的句子生成。我们提出了TSMH,一个有效的方法来生成高似然句子相对于一个预先训练好的语言模型,同时满足约束。我们的方法是高度灵活的,不需要特定任务的培训,并利用高效的约束满足解决技术。为了更好地处理组合约束,树搜索算法被嵌入到马尔可夫链蒙特卡罗(MCMC)的建议过程中,以探索满足更多约束的候选人。与现有的MCMC方法相比,我们的采样方法具有更好的混合性能。实验表明,TSMH在多个语言生成任务上取得了一致的显著改进。
2020-11-30 cs.AI cs.CL
Visualizing Multimodality in Combinatorial Search Landscapes
Norwegian University of Science and Technology(挪威科学与技术大学);Norwegian University of Science(挪威科学大学);Your University(你的大学)
本文综述了组合搜索景观的多模态可视化技术,探讨了结合多种景观分析方法以提供更全面视图,并基于图形语法提供实践示例,最后指出可视化无免费午餐并给出未来研究方向。
2025-10-07 cs.AI cs.GR cs.NE
Bounded Combinatorial Reconfiguration with Answer Set Programming
Nagoya University(名古屋大学);National Institute of Informatics(国立信息学研究所);Universität Potsdam(波茨坦大学)
本文提出基于回答集编程的有界组合重构方法,开发的recongo求解器在CoRe Challenge 2022单引擎赛道最短路径项夺冠,还给出了独立集重构问题的ASP编码及全算例实证分析。
2023-07-20 cs.AI
Max-Product Belief Propagation for Linear Programming: Applications to Combinatorial Optimization
Korea Advanced Institute of Science & Technology(韩国科学技术院)
最大乘积{置信传播}(BP)是一种流行的消息传递启发式算法,用于近似由图模型(GM)表示的联合分布中的最大后验(MAP)分配。在过去的几年里,人们已经证明BP可以解决几类线性规划(LP)公式的组合优化问题,包括最大权重匹配、最短路径和网络流,即,BP可以用作某些组合优化的消息传递求解器。然而,这些LP和相应的BP分析对潜在的问题设置非常敏感,并且还不清楚这些结果可以推广到什么程度。本文给出了BP算法收敛于线性规划最优解的一般判据,并证明了它在许多经典的组合优化问题(包括最大权完美匹配、最短路、旅行商、圈包装、点/边覆盖和网络流)的线性规划公式中都是满足的。
2017-06-28 cs.AI
Large Neighborhood Prioritized Search for Combinatorial Optimization with Answer Set Programming
Nagoya University(名古屋大学);National Institute of Informatics(情报学研究所);University of Yamanashi(山梨大学);Universität Potsdam(波茨坦大学);Kobe University(神户大学)
本文提出面向 ASP 组合优化的元启发式 LNPS,通过交替破坏与优先搜索改进解,并基于 heulingo 验证其性能优于或可比于(自适应)大邻域搜索。
2024-05-18 cs.AI
Sketched Answer Set Programming
KU Leuven(鲁汶大学);LIRMM CNRS(法国国家科学研究中心蒙彼利埃计算机、机器人与微电子实验室)
答案集编程(ASP)是一个强大的建模形式主义的组合问题。然而,编写ASP模型并不是一件小事。我们提出了一种新的方法,称为草图答案集编程(SkASP),旨在支持用户解决这个问题。用户编写一个ASP程序,同时用问号标记不确定的部分。此外,用户还提供了所需程序行为的一些正面和负面示例。将绘制好的模型改写成ASP程序,用传统方法求解。其结果是,用户获得一个功能和可重用的ASP程序建模她的问题。我们评估我们的方法21个著名的难题和组合问题的启发卡普的21个NP完全问题,并展示了一个基于ASP的数据库应用程序的用例。
2018-08-22 cs.AI
Learning a Prior for Monte Carlo Search by Replaying Solutions to Combinatorial Problems
LAMSADE, Université Paris Dauphine - PSL, CNRS(巴黎多菲纳大学-PSL,国家科学研究中心LAMSADE实验室)
本文提出利用已解组合问题的统计信息自动学习 Monte Carlo Search 先验,以替代手工启发式,在无推演时开销的同时显著提升性能,并验证于三类组合问题。
2024-01-19 cs.AI
Linear Programming helps solving large multi-unit combinatorial auctions
以前的作品建议使用分支定界技术找到最优分配(多单位)组合拍卖。他们认为线性规划可以为最优分配提供一个很好的上限,但他们继续使用更轻和更不严格的上限算法,理由是线性规划太耗时,无法重复使用来解决大型组合拍卖。我们提出了广泛的实验解决大(多单位)组合拍卖根据不同的研究人员提出的分布产生的结果。令人惊讶的结论是,线性规划值得使用。投资几乎所有的计算时间使用LP从最优解的值以上绑定,以积极修剪回报。我们提出了一种方法来节省调用的LP例程和实验结果比较不同的算法选择出价要考虑的下一个。这些结果表明,基于出价大小的平方根的排序在作者以前的论文中被证明是理论上最优的,在实践中表现得比其他人好得多。选择首先处理松弛LP问题的最优解中具有最大系数(通常为1)的投标,也是一个很好的选择。贪婪算法提供的下界和LP提供的上界之间的差距通常很小,因此修剪是广泛的。对于大多数分配,在几千个投标中拍卖几百件商品在实践中是可以解决的。所有实验均在Matlab下的PC上运行。
2002-02-15 cs.AI cs.GT
Exploiting Problem Structure in Combinatorial Landscapes: A Case Study on Pure Mathematics Application
WIOMAX LLC, USA(WIOMAX LLC(美国))
在本文中,我们提出了一种方法,使用人工智能技术来解决的情况下,纯数学应用寻找窄容许元组。将原问题转化为一个组合优化问题。特别是,我们将展示如何利用本地搜索结构制定的问题景观搜索空间的显着减少和非平凡的消除搜索障碍,然后实现智能搜索策略有效地逃离局部极小值。实验结果表明,该方法能够有效地找到最佳已知的解决方案。这项研究揭示了利用局部问题结构在组合景观中进行有效搜索,作为AI在新问题领域的应用。
2018-12-22 cs.AI
Structured Parallel Programming for Monte Carlo Tree Search
Leiden University(莱顿大学);Nikhef(荷兰国家亚原子物理研究所)
本文提出了一种新的并行蒙特卡罗树搜索算法。它是基于流水线模式,并允许灵活管理的控制流的操作并行MCTS。流水线模式为MCTS提供了第一个结构化并行编程方法。此外,我们提出了一种新的无锁树数据结构的并行MCTS,消除了同步开销。与现有方法相比,并行MCTS算法的流水线模式(称为3PMCTS)可以很好地扩展到更高数量的核心。
2017-04-02 cs.AI
Amplifying human performance in combinatorial competitive programming
Google DeepMind(谷歌DeepMind)
针对组合竞技编程中AI难以超越顶尖人类的问题,提出人类编写启发式主干、AI优化评分函数的协同方法,基于Hash Code竞赛题目验证其能大幅提升分数、超越顶尖团队,在AtCoder竞赛题中也表现优异。
2024-11-29 cs.AI cs.LG cs.NE
Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization
JP Morgan AI Research(摩根大通AI研究院)
本文研究设施选址中的零售店移除问题,提出用代理模型加速蒙特卡洛树搜索评估,在保持解质量的同时显著提升求解速度。
2024-03-14 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
Structure As Search: Unsupervised Permutation Learning for Combinatorial Optimization
Cornell University(康奈尔大学)
提出非自回归无监督排列学习框架,直接学习排列矩阵解决旅行商问题,无需显式搜索,性能媲美经典启发式,证明神经网络可捕获组合结构。
2025-09-24 cs.AI cs.LG
Solving puzzles described in English by automated translation to answer set programming and learning how to do that translation
Arizona State University(亚利桑那州立大学)
我们提出了一个系统,能够自动解决组合逻辑难题(简化)英语。它涉及到翻译成答案集编程(ASP)的难题的英文描述,并使用ASP求解器提供的难题的解决方案。为了翻译这些描述,我们使用了一种基于概率组合范畴语法(PCCG)的基于微积分的方法,其中单词的含义与参数相关联,以便能够区分同一单词的多种含义。许多单词的含义和参数都是学习的。在ASP中使用适用于大量逻辑谜题的本体来表示谜题。
2011-08-18 cs.AI cs.CL cs.LO
Scaling Combinatorial Optimization Neural Improvement Heuristics with Online Search and Adaptation
本研究提出有限滚动束搜索LRBS,用于基于深度强化学习的组合优化改进启发式算法,可提升分布内性能与大实例泛化能力,结合离线在线自适应进一步超越现有自适应构造式启发式方法。
2024-12-13 cs.AI cs.LG
Knowledge engineering mixed-integer linear programming: constraint typology
Deakin University(迪肯大学);School of Information Technology(信息技术学院);The University of Melbourne(墨尔本大学);Electrical and Electronic Engineering(电气与电子工程学院)
本文研究了混合整数线性规划MILP公式的约束类型。MILP是一种常用的数学编程技术,用于建模和解决现实生活中的调度,路由,规划,资源分配,优化问题,为工业部门提供优化的业务解决方案,例如:制造业,农业,国防,医疗保健,医药,能源,金融和运输。尽管现实生活中发现并解决了许多组合优化问题,还有数百万个问题有待发现和制定,但作为MILP构建模块的约束类型的数量相对要少得多。在搜索一个合适的机器可读的知识表示的MILP,我们提出了一个优化建模树的基础上建立的MILP本体,可以用作自动化系统的指导,以引出一个MILP模型从最终用户对他们的组合业务优化问题。
2021-02-20 cs.AI math.OC
Shrinking the Inductive Programming Search Space with Instruction Subsets
Zoea Ltd.(Zoea有限公司)
归纳编程通常依赖于某种形式的搜索来识别候选解决方案。然而,搜索空间的大小限制了归纳编程的使用以产生相对小的程序。如果我们能以某种方式正确地预测给定问题所需的指令子集,那么归纳编程将更容易处理。我们将证明这在很高比例的情况下是可以实现的。本文提出了一种新的程序设计语言指令共现模型,该模型是为支持Zoea分布式归纳编程系统中的搜索空间划分而建立的。这包括一个集合的交叉指令子集从一个大的开放源代码的样本。使用该方法,可以并行地探索搜索空间的不同部分。所需子集的数量不会随着用于产生它们的代码的数量而线性增长,并且可管理的子集数量足以覆盖高百分比的不可见代码。这种方法还显著地减少了搜索空间的总体大小-通常减少了许多数量级。
2023-02-10 cs.AI cs.PL
A Probabilistic Programming Idiom for Active Knowledge Search
Aalborg University(奥尔堡大学)
在本文中,我们推导并实现了一个概率编程习惯的问题,获取新的知识的环境。该习惯用法是利用现代概率程序设计语言实现的。我们通过实现主动映射和机器人探索的特定问题的算法来证明这种习惯用法的实用性。最后,我们通过广泛的模拟研究,利用HouseExpo数据集的实施评估的功能。
2022-02-19 cs.AI cs.RO
Exploring search space trees using an adapted version of Monte Carlo tree search for combinatorial optimization problems
KU Leuven(鲁汶大学);Ghent University(根特大学);Flanders Make(法兰德斯制造研究院)
在这篇文章中,我们提出了一个启发式算法,探索搜索空间树与组合优化问题的情况。该算法是基于蒙特卡罗树搜索,一个流行的算法,在玩游戏,是用来探索游戏树,并代表了国家的最先进的算法,为一些游戏。提出了几种改进的蒙特卡罗树搜索算法,使算法更适合于组合优化的上下文中。这些增强利用组合结构的问题,并旨在有效地探索搜索空间树修剪子树,使用启发式模拟策略,减少域的变量,通过消除占主导地位的值分配和使用波束宽度。该算法的实现与其组件专门定制两个组合优化问题:码头起重机调度问题与非交叉约束和0-1背包问题。对于第一个问题,我们的算法超越了国家的最先进的结果,并找到了几个新的最佳解决方案的基准集的实例。对于第二个问题,我们的算法通常会产生接近最优的解决方案,比最先进的结果略差,但它只需要一小部分的时间来做到这一点。这些结果表明,该算法是具有竞争力的国家的最先进的两个完全不同的组合优化问题。
2022-11-16 cs.AI cs.DM math.OC
Further Decimating the Inductive Programming Search Space with Instruction Digrams
Zoea Ltd.(佐亚有限公司)
本文提出将指令二元组作为归纳编程的额外搜索启发式方法,通过分析开源代码中二元组频率分布,利用其高度倾斜特性约束指令选择,进一步将搜索空间缩小数个数量级,从而显著增加可生成的程序规模。
2023-05-22 cs.AI cs.PL
Efficient lifting of symmetry breaking constraints for complex combinatorial problems
University of Klagenfurt(克拉根福大学);Graz University of Technology(格拉茨工业大学);Imperial College London(帝国理工学院)
许多工业应用需要找到具有挑战性的组合问题的解决方案。有效地消除对称解决方案候选是高性能求解的关键推动因素之一。然而,现有的基于模型的对称性破缺方法仅限于一组具有代表性且易于求解的实例,而实际应用中往往不是这种情况。这项工作扩展了学习框架和实施基于模型的方法,答案集编程,以克服这些限制,并解决具有挑战性的问题,如合作伙伴单位的问题。特别是,我们将一个新的冲突分析算法在归纳逻辑程序设计系统ILASP,重新定义的学习任务,并提出了一个新的例子生成方法,以扩大的方法。针对不同类型的合作伙伴单位问题实例进行的实验证明了我们的方法的适用性和由于学习到的一阶约束而带来的计算效益。
2022-05-14 cs.AI cs.LO
Reinforcement Learning-based Heuristics to Guide Domain-Independent Dynamic Programming
University of Toronto(多伦多大学);National Institute of Informatics(日本信息处理学会)
针对DIDP依赖用户定义对偶界的问题,提出用DQN价值引导和PPO策略引导学习搜索启发式,在相同节点扩展下显著优于标准DIDP及贪婪方法。
2025-05-13 cs.AI cs.LG
Simulation-guided Beam Search for Neural Combinatorial Optimization
Samsung SDS(三星SDS);Bielefeld University(比勒费尔德大学)
组合优化(CO)的神经方法配备了一个学习机制,以发现解决复杂现实世界问题的强大算法。虽然能够在Single Shot中获得高质量解决方案的神经方法正在出现,但最先进的方法通常无法充分利用可用的求解时间。相比之下,手工构造的算法可以很好地执行高效搜索,并利用给定的计算时间,但包含难以适应正在求解的数据集的算法。为了给神经CO方法提供一个强大的搜索过程,我们提出了模拟引导的束搜索(SGBS),它在一个固定宽度的树搜索中检查候选解决方案,神经网络学习的策略和模拟(推出)识别为有前途的。我们进一步杂交SGBS与有效的主动搜索(EAS),其中SGBS提高了EAS中反向传播的解决方案的质量,EAS提高了SGBS中使用的政策的质量。我们评估我们的方法在著名的CO基准测试,并表明SGBS显着提高了合理的运行时间假设下找到的解决方案的质量。
2022-11-17 cs.AI cs.LG
RELS-DQN: A Robust and Efficient Local Search Framework for Combinatorial Optimization
Florida State University(佛罗里达州立大学);Texas A&M University(得克萨斯农工大学)
本文提出轻量级框架RELS-DQN,利用深度Q学习与消息传递神经网络实现可扩展的局部搜索行为,在多个组合优化应用中取得优于或持平现有方法的解质量,并保持运行时间和内存高效。
2023-04-11 cs.AI cs.LG
Lifting Symmetry Breaking Constraints with Inductive Logic Programming
University of Klagenfurt(克拉根福大学);Graz University of Technology(格拉茨工业大学)
有效地省略对称的解决方案的候选人是必不可少的组合问题的解决。大多数现有的方法是特定于实例的,并专注于自动计算对称破缺约束(SBC)为每个给定的问题实例。然而,这种方法应用于大规模的实例或高级问题编码可能是有问题的,因为计算的SBC是命题的,因此,既不能被有意义地解释,也不能被转移到其他实例。因此,在每次调用求解器之前,必须对SBC进行耗时的重新计算。为了克服这些限制,我们引入了一个新的面向模型的方法,答案集编程,升降机的小问题实例的SBC到一组可解释的一阶约束,使用归纳逻辑程序设计范式。实验表明,我们的框架学习的能力,从实例特定的SBC的组合问题的集合的一般约束。所得到的结果表明,我们的方法显着优于一个国家的最先进的具体实例的方法,以及直接应用的求解器。
2021-12-23 cs.AI cs.LG cs.LO
Improving the Search by Encoding Multiple Solutions in a Chromosome
Babeş Bolyai University(巴贝什-波雅依大学)
我们研究了在单个染色体中编码问题的多个解决方案的可能性。编码在个体中的最佳解决方案将代表该个体(将提供该个体的适应性)。为了获得一些益处,染色体解码过程必须具有与染色体中的单个解的情况相同的复杂度。为此,分析了三种遗传编程技术:多表达式编程、线性遗传编程和中缀形式遗传编程。数值实验表明,在一个染色体中编码多个解决方案,大大提高了搜索过程。
2021-10-13 cs.AI cs.NE
Neural Program Search: Solving Programming Tasks from Description and Examples
NEAR(NEAR(公司))
我们提出了一个神经程序搜索,一个算法来生成程序从自然语言描述和少量的输入/输出的例子。该算法结合了深度学习和程序合成领域的方法,设计了丰富的领域特定语言(DSL),并在其上定义了Seq 2 Tree模型引导的高效搜索算法。为了评估该方法的质量,我们还提供了一个半合成的描述数据集,并提供了测试示例和相应的程序。我们表明,我们的算法显着优于序列到序列模型与注意力基线。
2018-02-12 cs.AI cs.CL cs.PL
Probabilistic Search for Structured Data via Probabilistic Programming and Nonparametric Bayes
Massachusetts Institute of Technology(麻省理工学院)
数据库分布广泛,但提取相关数据可能很困难。在没有大量领域知识的情况下,多变量搜索查询通常返回稀疏或无信息的结果。提出了一种基于概率规划和非参数贝叶斯的结构化数据搜索方法。用户使用概率语言指定查询,该语言将标准SQL数据库搜索操作符与称为预测相关性的信息理论排名功能相结合。预测相关性可以通过基于来自CrossCat的后验样本的快速稀疏矩阵算法来计算,CrossCat是用于高维、异质类型数据表的非参数贝叶斯模型。其结果是一个灵活的搜索技术,适用于广泛的一类信息检索问题,我们集成到贝叶斯数据库,概率数据分析的概率编程平台。本文展示了美国大学数据库,全球公共卫生宏观经济指标和经典汽车的应用程序。我们发现,人类评估者通常更喜欢概率搜索的结果,而不是标准基线的结果。
2017-04-04 cs.AI cs.DB cs.LG
Phenotype Search Trajectory Networks for Linear Genetic Programming
Queen’s University(女王大学);University of Stirling(斯特林大学);Michigan State University(密歇根州立大学)
本研究通过图模型可视化线性遗传编程的搜索轨迹,并量化表型复杂度与基因型丰度,发现复杂表型更难发现,简单表型更易作为进化垫脚石。
2023-06-23 cs.AI q-bio.PE
EnCompass: Enhancing Agent Programming with Search Over Program Execution Paths
Asari AI;MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Caltech CMS(加州理工学院 CMS)
EnCompass通过解耦智能体工作流逻辑与推理策略,提供一种基于Python的框架,允许快速提升智能体可靠性并灵活切换推理策略。
2025-12-03 cs.AI cs.LG cs.PL
Using Reasoning Models to Generate Search Heuristics that Solve Open Instances of Combinatorial Design Problems
本文提出构造协议CPro1,利用推理大语言模型生成搜索启发式方法以解决组合设计领域的开放实例,成功解决了《组合设计手册》中7类问题的长期未决实例及近期文献中的多个开放实例。
2025-05-29 cs.AI cs.CL math.CO
Learning-Theoretic Foundations of Algorithm Configuration for Combinatorial Partitioning Problems
最大割、聚类和许多其他对机器学习和其他科学领域非常重要的划分问题都是NP难的,这一现实促使研究人员开发了大量的近似算法和算法。虽然最佳算法的使用通常取决于特定的应用领域,但最坏情况分析通常用于比较算法。如果最坏情况的实例很少出现,这可能会产生误导,因此需要返回最适合给定应用的典型输入的算法配置的优化方法。我们解决这个问题的聚类,最大割,和其他分区问题,如整数二次规划,通过设计计算效率和样本效率的学习算法,从一个特定于应用程序的分布在问题实例中接收样本,并学习分区算法具有较高的预期性能。我们的算法学习常见的整数二次规划和聚类算法家族:SDP舍入算法和凝聚聚类算法与动态规划。对于我们的样本复杂性分析,我们提供了严格的界限上的伪维数的这些算法类,并显示令人惊讶的是,即使是类的算法参数化的一个单一的参数,伪维数是superconstant。通过这种方式,我们的工作既有助于算法配置的基础,又推动了学习理论的边界,因为我们分析的算法类由多阶段优化过程组成,并且比学习理论中通常研究的类要复杂得多。
2018-10-16 cs.AI cs.DS cs.LG