Double four-bar crank-slider mechanism dynamic balancing by meta-heuristic algorithms
University of Tabriz（大不里士大学）
提出了一种基于Meta分析的双四杆曲柄滑块机构动平衡优化方法。为此，通过对该机构的动力学建模，得到了该机构平衡所需的目标函数和相应的约束条件。在优化步骤中，分别采用PSO、ABC、BGA和HGAPSO算法来最小化所定义的代价函数。通过提取应用算法的代价函数、适应度、收敛速度和运行时间值，对优化结果进行了全面的研究。结果表明，粒子群优化算法和ABC算法在收敛速度和结果质量方面都优于BGA算法和HGAPSO算法。最后，以实验室规模的双四杆曲柄滑块机构为例，对所提出的平衡方法进行了验证。
2013-10-08 cs.AI
Generalizable Heuristic Generation Through LLMs with Meta-Optimization
Nanyang Technological University（南洋理工大学）；Shandong University（山东大学）；Singapore Management University（新加坡国立大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出MoH框架，利用LLM进行元学习，自主构建多样化的启发式优化器，提升跨任务的泛化能力。
2026-03-24 cs.AI cs.LG
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
Learning and Tuning Meta-heuristics in Plan Space Planning
IIT Madras（印度理工学院马德拉斯分校）
近年来，规划界已经观察到，用于学习启发式函数的技术已经在性能上产生了改进。一种方法是使用离线学习来以依赖于域的方式从现有算法中学习预测模型。这些学习的模型被部署为新的启发式函数。反过来，学习的模型可以使用独立于域的纠错方法在线调整，以进一步增强其信息量。在线调优方法独立于域，但特定于实例，并有助于在规划过程中提高单个实例的性能。因此，它在更大的问题中更有效。在本文中，我们提到两种方法适用于偏序因果链接（POCL）规划，也被称为计划空间规划。首先，我们努力提高性能的POCL规划器的监督学习的算法。其次，我们讨论了POCL框架中的在线误差最小化方法，以最大限度地减少与离线学习模型相关的步进误差，从而提高其信息量。我们的评估表明，学习方法的规划器的性能超过标准的基准，特别是对于较大的问题。
2016-04-24 cs.AI
A Meta-Heuristic Load Balancer for Cloud Computing Systems
University of Westminster（威斯敏斯特大学）
针对云计算系统节点过载问题，提出基于多资源类型与迁移成本考量的抽象模型，设计以其他元启发式算法输出为种群种子的新型遗传算法，实现低成本、稳定的服务分配。
2025-11-18 cs.AI cs.DC
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
Metaheuristic optimization of power and energy systems: underlying principles and main issues of the 'rush to heuristics'
Politecnico di Torino（都灵理工大学）
在电力和能源系统领域，包含应用元启发式算法的文献贡献逐渐增加。在许多情况下，这些应用程序的目的仅仅是提出一个现有的元启发式算法对一个特定的问题进行测试，声称所提出的方法是优于其他方法的基础上弱比较。这种“急于求成”的现象并不发生在演化计算领域，因为在进化计算领域中，建立严格比较的规则更为严格，但这是元计算的典型应用领域。本文认为，电力和能源系统的应用，并旨在提供一个全面的观点的主要问题，使用元分析的全局优化问题。一组基本原则，特点的元启发式算法。定制的元启发式算法，以适应特定问题的约束进行了讨论。在文献贡献中发现的一些弱点和陷阱被确定，并提供了具体的指导方针，就如何准备合理的贡献，应用元启发式算法的具体问题。
2020-08-17 cs.AI cs.NE
Inconsistency and Accuracy of Heuristics with A* Search
Indiana University South Bend（印第安纳大学南本德分校）；MathWorks（迈斯沃克）
启发式搜索的许多研究表明，使用的启发式的准确性有积极的影响，提高搜索的性能。在另一个方向上，历史研究认为，启发式搜索算法的性能，如A* 和IDA*，可以通过要求启发式算法是一致的来提高-任何完美的启发式算法都能满足的属性。然而，最近的一些研究表明，不一致算法也可以用来实现这些启发式搜索算法的大的改进。这些结果给我们留下了一个自然的问题：在构建算法时，我们应该关注算法的哪个属性，准确性或一致性/不一致性？虽然有研究的启发式的准确性与假设的一致性，没有研究的不一致性和准确性的启发式是已知的，我们的知识。在这项研究中，我们调查的不一致性和准确性之间的关系，与A* 搜索。我们的分析结果揭示了这两个属性之间的相关性。然后，我们运行的背包问题的域上的一个家庭的实际的economistics实验。我们的实证结果表明，在许多情况下，更准确的算法也有更高的不一致性，并导致更少的节点扩展A*。
2013-07-08 cs.AI
Meta-Heuristic Solutions to a Student Grouping Optimization Problem faced in Higher Education Institutions
Niger Delta University（尼日尔三角洲大学）
组合问题已被证明是NP-hard的高等教育机构和研究所面临的一些著名的组合问题，如排序和学生项目分配问题进行了广泛的调查。然而，高等教育机构面临的NP难问题不仅限于这些类别的组合问题。机构中面临的大多数NP难问题涉及对学生和/或资源进行分组，尽管每个问题都有其独特的约束条件。因此，可以说，解决高等教育机构NP难问题的技术可以在不同的问题类别之间转移。由于没有任何方法可以保证在所有问题上都优于所有其他方法，因此有必要研究启发式技术来解决鲜为人知的问题，以指导利益相关者或软件开发人员为高等教育机构面临的每一类NP难问题找到最合适的算法。为此，本研究描述了一个优化问题所面临的一个真正的大学，涉及分组学生学期成绩的介绍。采用基于排序的启发式算法、遗传算法和Python程序设计语言实现的蚁群优化算法来寻找该问题的可行解决方案，其中蚁群优化算法在75%的测试实例中表现较好或相等，而遗传算法在38%的测试实例中产生了较好或相等的结果。
2020-10-01 cs.AI
LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories
National University of Singapore（新加坡国立大学）；University of Oxford（牛津大学）
针对LLM推理中隐式搜索树导致性能不佳的问题，提出LinTree方法，通过添加父指针显式表示线性化树结构，在Blocks World、网格导航和Sokoban任务中提升了任务性能和搜索效率。
2026-05-29 cs.AI
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
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
Efficient Meta Neural Heuristic for Multi-Objective Combinatorial Optimization
Sun Yat-sen University（中山大学）；Singapore Management University（新加坡管理大学）
本文提出高效元神经启发式算法EMNH，通过架构共享多任务模型并行训练元模型并采用缩放对称采样稳定训练，再以分层方法微调求解子问题，在MOTSP、MOCVRP和MOKP上实现了优于现有神经启发式的解质量与学习效率。
2023-10-22 cs.AI cs.LG
A Topological Approach to Meta-heuristics: Analytical Results on the BFS vs. DFS Algorithm Selection Problem
ANU（澳大利亚国立大学）
搜索是人工智能的核心问题，而广度优先搜索（BFS）和深度优先搜索（DFS）是两种最基本的搜索方式。在本文中，我们得到平均BFS和DFS运行时间的估计。平均运行时间估计可以用来分配资源或判断问题的难度。它们还可以用于选择最佳的图形表示，以及从BFS和DFS中选择更快的算法。它们也可能构成分析更高级搜索方法的基础。本文处理树搜索和图搜索。对于树搜索，我们采用目标分布的概率模型;对于图搜索，分析取决于路径冗余和平均分支因子的额外统计。作为一个应用程序，我们使用的结果来预测BFS和DFS运行时的两个具体的语法问题和N-难题。实验验证表明，我们的分析近似接近经验现实。
2018-04-12 cs.AI
Improving Learnt Local MAPF Policies with Heuristic Search
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出利用启发式搜索对机器学习局部MAPF策略的输出概率分布进行后处理，以解决死锁并实现全时域规划，显著提升了策略的成功率和可扩展性，首次使基于学习的MAPF方法扩展到20%智能体密度的高拥塞场景。
2024-03-29 cs.AI cs.MA cs.RO
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
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
Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning
Skywork AI（天工开物AI）；Nanyang Technological University（南洋理工大学）
本文提出Q*框架，将多步推理视为启发式搜索，通过学习Q值模型指导解码，无需微调即可提升开源LLMs在GSM8K、MATH和MBPP上的推理性能。
2024-07-22 cs.AI
Meta-Reinforcement Learning for Heuristic Planning
University of Leeds（利兹大学）
在Meta-强化学习（meta-RL）中，智能体在一组任务上进行训练，以便在新的、看不见的但相关的任务中更快地准备和学习。训练任务通常是手工制作的，以代表测试任务的预期分布，因此全部用于训练。我们表明，给定一组训练任务，如果训练任务选择得当，学习可以更快，更有效（导致测试任务中更好的性能）。我们提出了一个任务选择算法，信息理论任务选择（ITTS），基于信息论，优化用于元强化学习训练的任务集，而不管它们是如何产生的。该算法确定哪些训练任务既与测试任务充分相关，又彼此足够不同。我们再现了文献中不同的元RL实验，并表明ITTS提高了所有实验的最终性能。
2021-07-06 cs.AI cs.LG
Theory and Algorithms for Partial Order Based Reduction in Planning
Washington University in St. Louis（圣路易斯华盛顿大学）；University of Science and Technology of China（中国科学技术大学）
搜索是规划的主要技术。它相当于探索通常建模为有向图的规划域的状态空间。然而，过大的搜索空间使得搜索昂贵。开发更好的启发式函数是提高搜索效率的主要技术。然而，最近的研究表明，仅仅提高搜索效率有一定的基本限制。最近，一个新的研究方向，称为偏序基约简（POR）已被提出作为一种替代，以改善算法。POR在加速搜索方面显示出了希望。POR在模型检验研究中得到了广泛的研究，并且是模型检验系统可扩展性的关键使能技术。虽然POR理论在模型检验中得到了广泛的研究，但以前从未系统地开发过用于规划。另外，模型检验理论中的POR条件比较抽象，不能直接应用于规划中。以前的工作POR算法规划没有建立这些算法和现有的理论之间的联系，在模型检验。在本文中，我们开发了一个理论规划POR。我们开发的新理论将模型检验中的顽固集理论和规划中的POR方法结合起来。我们表明，以前的POR算法在规划可以解释的新理论。基于新的理论，我们提出了一种新的，更强的POR算法。不同规划域上的实验结果表明，使用新算法的搜索成本进一步降低。
2011-06-27 cs.AI
The Multi-phase spatial meta-heuristic algorithm for public health emergency transportation
University of North Texas（北德克萨斯大学）；Georgia State University（佐治亚州立大学）
在生物恐怖袭击的情况下，提供大规模预防的医疗对策（MCMs）是一个活跃的研究课题，在过去的几十年里一直引起研究界的兴趣。本研究的目的是设计一个有效的算法，接收存储和存储问题（RSS），我们的目标是找到可行的路线，提供MCMs到目标人群考虑时间，物理和人力资源，和容量限制。为此，我们将p-中位数问题应用于基于POD的应急响应规划程序，并提出了一种高效的算法解决方案，以在合理的计算时间内执行p-中位数。我们提出了RE-PLAN，响应PLan分析仪系统，其中包含一些RSS解决方案，在计算流行病学和响应分析中心（CeCERA）在北德克萨斯大学。最后，我们分析了一个研究案例，我们展示了算法的计算性能如何影响决策和应急规划的过程中，在短期和长期。
2021-07-05 cs.AI
Experiential Reflective Learning for Self-Improving LLM Agents
Illuin Technology
本文提出经验反思学习框架，通过反思任务轨迹生成可迁移的启发式方法，提升LLM代理在Gaia2基准上的任务完成可靠性与成功率。
2026-03-31 cs.AI cs.LG
Diseño e implementación de una meta-heurística multi-poblacional de optimización combinatoria enfocada a la resolución de problemas de asignación de rutas a vehículos
Universidad de Deusto（德乌斯托大学）
交通运输是当今社会的一个重要领域，无论是商业部门还是公民。有不同种类的运输系统，每一种都有自己的特点。同样，各种知识领域可以有效地处理交通规划。大多数与运输和物流相关的问题具有共同的特征，因此它们可以建模为优化问题，能够将它们视为其他一般问题的特殊情况。这些问题属于组合优化领域。这类问题大多异常复杂。大量的元分析学可以在文献中找到，每一种都有其优点和缺点。由于组合优化问题的高度复杂性，目前还没有一种技术能够最优地解决所有这些问题。这使得组合优化和车辆路径问题成为研究的热点。本博士论文将致力于开发一种新的元启发式算法来解决不同类型的车辆路径问题。与现有方法相比，所提出的技术提供了附加值，无论是在性能方面，还是在概念原创性方面。与验证所提出的模型的目的，所得到的结果与其他四个算法的类似的哲学得到的开发元启发式。四个著名的布线问题已被用于本实验中，以及两个经典的组合优化问题。除了基于平均值或标准差等参数的比较外，还进行了两种不同的统计检验。由于这些测试，可以肯定的是，所提出的元启发式是有竞争力的性能和概念的独创性。
2020-03-24 cs.AI cs.DM
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
A Heuristic Algorithm for the Fabric Spreading and Cutting Problem in Apparel Factories
研究服装厂的布料铺放与裁剪问题。为了节省材料成本，在不增加服装部件的情况下，应准确地满足裁剪要求。为了降低生产成本，应最小化与使用切割床的频率相对应的铺设数量。提出了一种迭代贪心算法来求解织物展开和裁剪问题。该算法包含一个构造过程和一个改进循环。首先，构造过程按顺序创建一组层，然后改进循环尝试从层集合中拾取每个层，并将剩余层重新排列成较小的层集合。改进回路将一直运行，直到它不能获得任何小的捻置或时间限制到期。对500个案例的实验结果表明，该算法是有效的。
2019-03-13 cs.AI cs.DC math.OC
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
Rational Deployment of CSP Heuristics
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
启发式是减少人工智能各个领域搜索工作的重要工具。为了有效，启发式算法必须能够有效地计算，并为搜索算法提供有用的信息。然而，一些在减少回溯方面做得很好的著名算法是如此之重，以至于在搜索算法中部署它们的收益可能会被它们的开销所抵消。我们提出了一个合理的元推理方法来决定何时部署物流，使用CSP回溯搜索作为案例研究。特别是，一个信息的价值的方法是采取自适应部署的解决方案计数估计算法的价值排序。实证结果表明，确实所提出的机制成功地平衡了减少回溯和启发式计算开销之间的权衡，从而导致显着的整体搜索时间减少。
2011-04-11 cs.AI
A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty
Loughborough University（拉夫堡大学）；Defence Medical Rehabilitation Centre（国防医疗康复中心）
针对分类器不确定性解释缺乏模型无关且易理解方法的问题，提出类别无关的元启发式复杂度度量，并通过元学习框架估计误分类风险，效果优于预测概率。
2023-04-20 cs.AI cs.LG
Behaviour Space Analysis of LLM-driven Meta-heuristic Discovery
Leiden University（莱顿大学）；University of Stirling（斯特灵大学）
本文通过行为空间分析研究LLM驱动的元启发式算法发现，比较六种LLaMEA变体在BBOB基准上的表现，发现结合代码简化和随机扰动提示的1+1精英进化策略性能最佳，并揭示了高性能算法具有更强利用行为和更快收敛的特征。
2025-07-04 cs.AI cs.NE
A Comparison of Meta-heuristic Search for Interactive Software Design
University of the West of England（西英格兰大学）
处理能力的进步，再加上人们希望解决人类主观判断在确定所提出的解决方案的价值方面发挥重要作用的问题，导致交互式人工智能的应用数量急剧增加。特别值得注意的是Meta启发式搜索引擎与用户提供的解决方案的评估和评级的耦合，通常以交互式进化算法（IEAs）的形式。这些都有一个有据可查的成功历史，但可以说，IEA的优势源于这一历史，而不是作为一个有意识的设计选择的元启发式的基础上，手头的问题的特点。本文将以交互式软件设计领域为例，研究这一假设的基础。我们考虑了一系列应该影响设计选择的因素，包括易用性，可扩展性，当然还有性能，即在人类失去焦点之前，在交互式工作中可用的有限数量的评估内生成良好解决方案的能力。然后，我们评估三种方法，即贪婪局部搜索，进化算法和蚁群优化，候选解决方案的各种表示。结果表明，适当的参数调整后，蚁群优化是非常有效的交互式搜索和进化算法的性能相对于软件设计问题中的属性和方法的数量增加。然而，当大量的类存在于软件设计中，进化算法使用一个天真的分组整数为基础的表示似乎更具可扩展性。
2012-11-14 cs.AI cs.NE
A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses
The University of Hong Kong（香港大学）
根据没有免费的午餐定理，没有一个单一的元启发式算法可以最优地解决所有的优化问题。这促使许多研究人员不断开发新的优化算法。本文提出了一种新的自然启发式优化算法病毒传播优化（VSO）。VSO松散地模拟了病毒在主机之间的传播，可以有效地应用于解决许多具有挑战性的连续优化问题。我们设计了一个新的表示方案和病毒操作，从根本上不同于以前提出的基于病毒的优化算法。首先，VSO中每个宿主的病毒RNA表示一个潜在的解决方案，不同的病毒操作将有助于多样化的搜索策略，以大大提高解决方案的质量。此外，引入了一种引入的感染机制，从另一个群体中继承搜索到的最优解，以避免在解决复杂问题时任何潜在解的早熟。VSO具有出色的能力，可以在发现的最优值周围进行自适应邻域搜索，以获得更好的解决方案。此外，VSO具有灵活的感染机制，可以快速摆脱局部最优。为了清楚地证明其有效性和效率，VSO在一系列众所周知的基准函数上进行了严格的评估。通过金融投资组合优化和支持向量机分类问题超参数优化两个实例验证了VSO算法的适用性。结果表明，VSO已达到优越的性能，在解决方案的适应度，收敛速度，可扩展性，可靠性和灵活性相比，这些结果的传统以及国家的最先进的元启发式优化算法。
2020-06-11 cs.AI cs.LG cs.NE
Improving abcdSAT by At-Least-One Recently Used Clause Management Strategy
Donghua University（东华大学）
我们进一步改进了abcdSAT的2015年版本，通过各种算法，如至少一个最近使用的策略，学习子句数据库近似约简等。基于2016年SAT竞赛中不同赛道的需求，我们开发了三个版本的abcdSAT：drup，inc和lim，分别参加主（敏捷），增量库和无限制赛道的比赛。
2016-05-05 cs.AI cs.LO
A Brief Overview of Physics-inspired Metaheuristic Optimization Techniques
Jadavpur University（贾达普大学）；Department of Information Technology（信息技术系）；Department of Computer Science and Engineering（计算机科学与工程系）
元启发式算法是设计用于有效地解决计算上具有挑战性的优化问题的方法。研究人员从各种自然和物理过程中获得灵感，制定了元计算方法，成功地为几项工程任务提供了接近最佳或最佳的解决方案。本章重点介绍了基于非线性物理现象的元启发式算法，这些算法具有具体的优化范式，对此类优化问题具有强大的探索和开发能力。具体来说，本章重点介绍了几种流行的基于物理的元算法，并描述了与每个算法相关的底层独特物理过程。
2022-01-30 cs.AI 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
DiabML: AI-assisted diabetes diagnosis method with meta-heuristic-based feature selection
本研究针对糖尿病早期检测需求，结合AIoMT技术提出融合BWO元启发式特征选择与SMOTE不平衡处理的DiabML混合诊断方法，经实验验证其AdaBoost分类准确率达86.1%，优于现有相关方法。
2024-10-30 cs.AI cs.LG
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
Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems
University of Tabriz（大不里士大学）；Shahed University（沙希德大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Australian Catholic University（澳大利亚天主教大学）
本文提出了一种新的自然启发式算法称为黄金甲虫优化（GTBO）来解决优化问题。它模仿金龟子通过改变颜色来吸引异性交配的行为，以及金龟子用一种肛门叉来阻止捕食者的保护策略。该算法是基于甲虫的双重吸引力和生存策略来生成新的优化问题的解决方案。为了衡量其性能，建议GTBO相比，其他五个自然启发的进化算法在24个著名的基准函数调查之间的权衡探索和利用，局部最优避免，并收敛到全局最优值是统计上显着的。我们特别应用GTBO两个著名的工程问题，包括焊接梁设计问题和齿轮训练设计问题。结果表明，新算法比五个基线算法更有效的两个问题。敏感性分析也进行了揭示不同的影响算法的关键控制参数和运营商的GTBO的性能。
2021-04-04 cs.AI cs.LG cs.NA
A Parallel CPU-GPU Framework for Batching Heuristic Operations in Depth-First Heuristic Search
针对深度优先搜索算法（如IDA*、BTS）启发式计算难以批量处理的问题，提出并行CPU-GPU框架，CPU并行化树搜索、GPU并行化启发式评估，开发CB-DFS框架提升性能，在魔方和滑动拼图任务验证有效性。
2025-11-16 cs.AI cs.DC
Improving Generalization of Deep Reinforcement Learning-based TSP Solvers
Shanghai Jiao Tong University（上海交通大学）；University of Michigan（密歇根大学）
最近的工作应用深度强化学习（DRL）来解决旅行商问题（TSP）已经表明，基于DRL的求解器可以快速且具有竞争力的小实例TSP算法，但不能很好地推广到较大的实例。在这项工作中，我们提出了一种名为MAGIC的新方法，其中包括一个深度学习架构和DRL训练方法。我们的架构，它集成了一个多层感知器，一个图神经网络，和一个注意力模型，定义了一个随机的政策，顺序生成一个TSP解决方案。我们的训练方法包括几个创新：（1）我们将DRL策略梯度更新与局部搜索（使用新的局部搜索技术）交织在一起，（2）我们使用新的简单基线，（3）我们应用课程学习。最后，我们的经验表明，MAGIC是优于其他基于DRL的方法随机TSP的情况下，无论是在性能和推广。此外，我们的方法相比有利的TSP算法和其他国家的最先进的方法在性能和计算时间。
2021-10-06 cs.AI cs.LG
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
Measuring and Improving Behavioral Consistency in Large Language Models through Fact-Heuristic-Emotion State Enforcement
School of Mechanical Engineering, Chung-Ang University（韩国中央大学机械工程学院）
研究大语言模型行为一致性，通过认知内核模型CKM强制模型在决策前区分事实、假设和评估信号，经多实验评估发现其可降低输出变异性、减少决策翻转率，证明行为一致性可测且能部分改善。
2026-07-29 cs.AI cs.CL cs.HC
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
F$^3$OCUS -- Federated Finetuning of Vision-Language Foundation Models with Optimal Client Layer Updating Strategy via Multi-objective Meta-Heuristics
University of Oxford（牛津大学）；Oxford-Suzhou Centre for Advanced Research（牛津-苏州高等研究院）；Imperial College London（伦敦帝国学院）；University of Birmingham（伯明翰大学）
针对联邦微调视觉-语言模型中的层选择问题，提出F$^3$OCUS策略，利用神经正切核主特征值作为层重要性分数，并结合多目标元启发式优化层多样性，在医学VQA数据集上验证了有效性。
2025-03-30 cs.AI cs.CV cs.LG
Meta-Rewarding Language Models: Self-Improving Alignment with LLM-as-a-Meta-Judge
Meta FAIR；University of California, Berkeley（加州大学伯克利分校）；New York University（纽约大学）
提出Meta-Rewarding步骤让LLM评判自身评判以提升对齐能力，实验证明该方法在无监督下显著提高了Llama-3-8B-Instruct的指令遵循与评判表现。
2024-07-30 cs.AI cs.CL
Improving Context-Based Meta-Reinforcement Learning with Self-Supervised Trajectory Contrastive Learning
University of California, Berkeley（加利福尼亚大学伯克利分校）；Tsinghua University（清华大学）；Facebook Research（Facebook研究院）
Meta-强化学习通常需要比单任务强化学习方法多几个数量级的样本。这是因为元训练需要处理更多样化的分布和训练额外的组件，如上下文编码器。为了解决这个问题，我们提出了一种新的自监督学习任务，我们称之为轨迹对比学习（TCL），以改善元训练。TCL采用对比学习并训练上下文编码器来预测是否从同一轨迹采样两个过渡窗口。TCL利用了基于上下文的元RL的自然层次结构，并做出了最少的假设，使其能够普遍适用于基于上下文的元RL算法。它加速了上下文编码器的训练，并从整体上改进了元训练。实验表明，在大多数环境中，TCL在元RL MuJoCo（6个中的5个）和元世界基准测试（50个中的44个）上的表现都优于或优于强元RL基线。
2021-03-10 cs.AI cs.LG
Improving Generalization in Meta Reinforcement Learning using Learned Objectives
The Swiss AI Lab IDSIA（瑞士人工智能实验室IDSIA）；USI（瑞士意大利语区大学）；SUPSI（瑞士南方应用科技大学）
生物进化已经将许多学习者的经验提炼成人类的通用学习算法。我们的新型Meta强化学习算法MetaGenRL就是受到这个过程的启发。MetaGenRL提取了许多复杂智能体的经验，以元学习一个低复杂度的神经目标函数，决定未来的个体将如何学习。与最近的元RL算法不同，MetaGenRL可以推广到与元训练完全不同的新环境。在某些情况下，它甚至优于人类工程RL算法。MetaGenRL在元训练期间使用非策略二阶梯度，这大大提高了其样本效率。
2020-02-14 cs.AI cs.LG cs.NE
Learning Primal Heuristics for Mixed Integer Programs
RMIT University（皇家墨尔本理工大学）；Monash University（莫纳什大学）
提出了一种基于机器学习技术的混合规划原始启发式算法。混合规划是求解组合优化问题的一种通用方法。在求解器内部，原始算法在寻找良好的可行解方面发挥着至关重要的作用，使人们能够从分支定界算法（B&B）的一开始就缩小二元差距，通过积极修剪B&B树来大大提高其性能。在本文中，我们调查是否有效的原始算法可以通过机器学习自动学习。我们提出了一种新的方法来表示的优化问题作为一个图形，并训练一个图卷积网络解决问题的实例与已知的最佳解决方案。这反过来又可以预测类似类型的未知问题实例的最佳解决方案中决策变量的值。然后，利用一种新的配置的B&B方法，概率分支与引导深度优先搜索（PB-DFS）的方法，旨在快速找到（近）最优的解决方案的预测变量的解决方案。实验结果表明，这种新的启发式可以找到更好的原始解决方案在更早的阶段的求解过程中，相比其他国家的最先进的原始启发式。
2021-07-02 cs.AI cs.LG math.OC
