AutoRNet: Automatically Optimizing Heuristics for Robust Network Design via Large Language Models
School of Artificial Intelligence, Xidian University(西安电子科技大学人工智能学院);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院)
AutoRNet框架结合大语言模型与进化算法,自动生成鲁棒网络设计启发式,并通过自适应适应度函数平衡收敛性与多样性,在无标度网络上优于现有方法。
2024-10-23 cs.AI
Optimizing Heuristics for Tableau-based OWL Reasoners
Concordia University(康考迪亚大学);Nuance Communications(Nuance通讯公司)
优化技术在改进Web本体语言(OWL)的描述逻辑推理机方面发挥着重要作用。这些技术对于加速这些推理机是必不可少的。许多优化技术是基于启发式选择。最优启发式选择使这些技术更加有效。FaCT++ OWL reasoner及其Java版本JFact实现了一种称为ToDo list的优化技术,该技术可替代基于表的推理机中传统的自顶向下方法。待办事项列表机制允许人们通过给每个规则一个优先级来安排应用不同规则的顺序。与自顶向下的方法相比,ToDo列表技术对扩展规则的应用有更好的控制。学习ToDo lis中应用规则的适当启发式顺序将对推理速度产生很大影响。我们使用二进制SVM技术来构建我们的学习模型。该模型可以帮助选择特定于本体的顺序集,以加快OWL推理。平均而言,我们的学习方法测试与40个选定的本体实现了两个数量级的速度比最差的规则排序的选择。
2018-10-24 cs.AI
Deep Memory Search: A Metaheuristic Approach for Optimizing Heuristic Search
Assiut University(艾斯尤特大学);Umm Al-Qura University(乌姆阿尔古拉大学);Texas A&M University-San Antonio(德克萨斯农工大学圣安东尼奥分校);College of Computer and Information Systems(计算机与信息系统学院);Higher Colleges of Technology(高等技术学院)
本文提出深度启发式搜索(DHS),将元启发式搜索建模为记忆驱动的多层搜索过程,利用无模型记忆表示提升大规模动态搜索空间中的探索与利用效率,并在多种启发式优化问题上取得显著性能提升。
2024-10-22 cs.AI cs.LG
Can LLMs Predict Academic Collaboration? Topology Heuristics vs. LLM-Based Link Prediction on Real Co-authorship Networks
本文研究了大语言模型能否通过作者资料预测未来学术合作,发现LLM与拓扑启发式方法捕捉不同信号,在互补场景中表现最佳,且在不平衡数据中表现优异。
2026-04-01 cs.AI cs.SI
Optimizing Sequential Medical Treatments with Auto-Encoding Heuristic Search in POMDPs
Imperial College London(帝国理工学院)
健康相关数据在暗示患者的真实生理状态方面是噪声和随机的,限制了用于顺序临床决策的单时刻观察中包含的信息。我们将患者与临床医生的相互作用建模为部分可观察的马尔可夫决策过程(POMDPs),并根据从历史序列推断的信念状态优化顺序治疗。为了便于推理,我们建立了一个变分生成模型,并使用递归神经网络(RNN)增强状态表示,并结合了序列自动编码的辅助损失。同时,我们优化了一个连续的药物水平的政策与行动者-评论家的方法,其中策略梯度从一个稳定的政策外估计的优势函数,与并行的最佳优先后缀树支持的信念状态的值。我们利用我们的方法,使用回顾性重症监护数据集优化脓毒症患者的血管加压药和静脉输液剂量,并使用政策外政策评估(OPPE)评估学习的政策。结果表明,建模为POMDP产生更好的性能比MDP,并将启发式搜索提高样本效率。
2019-05-17 cs.AI cs.LG
RoCo: Role-Based LLMs Collaboration for Automatic Heuristic Design
RoCo通过多角色协作提升自动启发式设计的多样性和质量,实现高绩效的组合优化解决方案。
2025-12-04 cs.AI
Joint Activity Design Heuristics for Enhancing Human-Machine Collaboration
本文提出十四条启发式方法,用于设计支持联合人机协作的技术,强调五个关键宏观认知功能的支持与易用性同等重要。
2025-12-08 cs.AI cs.HC cs.SY
Dynamic communication topologies for distributed heuristics in energy system optimization algorithms
OFFIS - Institute for Information Technology(OFFIS信息技术研究所)
通信拓扑结构是分布式优化算法设计中的一个重要方面。它可以影响搜索空间的探索和利用,从而影响解决方案质量、收敛速度和协作成本方面的优化性能,这些都是操作能源系统中关键基础设施的应用程序的相关方面。在这项工作中,我们提出了一种方法,用于适应在运行时的通信拓扑结构,基于模拟退火的原则。我们比较常见的静态拓扑结构的一个示例性的分布式优化启发式的性能的方法。最后,我们调查的健身景观属性和定义的性能指标之间的相关性。
2021-08-03 cs.AI cs.MA
Optimizing Diversity and Quality through Base-Aligned Model Collaboration
University of Chicago(芝加哥大学);University of Southern California, Information Sciences Institute(南加州大学信息科学研究所);University of California, Davis(加州大学戴维斯分校)
提出基座对齐模型协作框架(BACo),在推理时通过令牌级路由策略动态结合基座LLM与其对齐版本,以单次前向传递同时提升生成多样性和质量。
2026-06-01 cs.AI cs.CL cs.LG
Enhancing Investment Analysis: Optimizing AI-Agent Collaboration in Financial Research
Tsinghua University(清华大学);AI4Finance Foundation(AI4金融基金会);University of Maryland, College Park(马里兰大学学院公园分校)
本文提出一种多智能体协作系统,通过可配置的智能体组和次优组合策略,在金融研究中优于单智能体模型,提升准确性、效率和适应性。
2024-11-07 cs.AI cs.CL cs.LG
Optimizing Answer Set Computation via Heuristic-Based Decomposition
Department of Mathematics and Computer Science University of Calabria(卡利亚里大学数学与计算机科学系);University of Calabria(卡利亚里大学);Department of Mathematics and Computer Science(数学与计算机科学系);Rende Italy(伦代(意大利)(注:此为地址信息,非机构,不应提取,原提取有误,正确应为仅提取前两个有效机构相关部分,但按文本结构准确提取应为“Department of Mathematics and Computer Science University of Calabria”))
回答集编程(ASP)是在逻辑编程和非单调推理领域中发展起来的一种纯声明性的形式主义:计算问题由逻辑程序编码,其回答集对应于解决方案,由ASP系统计算。不同的,语义等价的,程序可以定义为相同的问题,但是,系统评估它们的性能可能会显着不同。我们提出了一种方法,自动转换成一个等价的输入逻辑程序,可以更有效地评估。人们可以利用现有的树分解技术重写选定的规则成一组多个的,其思想是引导和自适应地应用它们的基础上,适当的新的算法,以获得一个智能的重写算法集成到ASP系统。该方法是相当普遍的:它可以适用于任何系统,并实现不同的偏好政策。此外,我们定义了一套新的专门针对优化接地,ASP计算的主要阶段之一,我们使用它们,以实现该方法到ASP系统DLV,特别是到其接地子系统I-DLV,并进行了广泛的实验活动,评估该建议的影响。逻辑程序设计理论与实践(TPLP)
2019-01-11 cs.AI cs.CL cs.LO
Optimizing Multi-Gateway LoRaWAN via Cloud-Edge Collaboration and Knowledge Distillation
针对大规模多网关LoRaWAN网络,提出云边协同的HEAT-LDL方法,结合Actor-Critic架构与李雅普诺夫优化,通过云边知识蒸馏提升终端自主决策能力,实验显示其数据包成功率和能量效率分别提升20.5%和88.1%。
2025-04-13 cs.AI cs.NI
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
Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas
Kennesaw State University(肯纳邦大学)
本研究针对资源受限地区输血管理难题,提出启发式匹配算法与机器学习预测方法,显著提升血液申请受理率,实现短缺精准预测,构建了可扩展的主动式血液资源管理方案。
2025-06-14 cs.AI cs.LG
Heuristic Algorithm-based Action Masking Reinforcement Learning (HAAM-RL) with Ensemble Inference Method
AgileSoDA(敏捷软件定义架构公司);Hankuk University of Foreign Studies(韩国外国语大学)
本文提出HAAM-RL强化学习方法,结合动作掩蔽与集成推理优化汽车喷漆颜色分批重排问题,较传统启发式算法性能提升16.25%,展现出优化复杂制造过程的有效性。
2024-03-21 cs.AI cs.LG
Discovering heuristics in a complex SAT solver with large language models
School of Data Science, Fudan University, Shanghai, China(复旦大学数据科学学院,上海,中国);Key Laboratory of System Software, Institute of Software, Chinese Academy of Sciences, Beijing, China(中国科学院软件研究所系统软件重点实验室,北京,中国);SeedMath Technology Limited, Beijing, China(SeedMath技术有限公司,北京,中国)
提出AutoModSAT框架,结合模块化求解器设计、无监督提示优化和进化算法,利用LLM自动优化SAT求解器,在多个数据集上性能提升40%。
2026-06-06 cs.AI cs.LO
Optimize Planning Heuristics to Rank, not to Estimate Cost-to-Goal
Czech Technical University in Prague(布拉格捷克理工大学);Gen Digital, Inc.(Gen Digital 公司)
本文重新审视前向搜索算法中最优高效启发式的条件,提出基于排序的损失函数以替代估计到达目标代价,并通过实验验证了该理论的有效性。
2023-10-30 cs.AI cs.LG
Beyond Training: Optimizing Reinforcement Learning Based Job Shop Scheduling Through Adaptive Action Sampling
Institute for Technologies and Management of Digital Transformation(数字化转型技术与管理研究所)
本文针对作业车间调度中训练好的深度强化学习智能体在推理阶段使用不充分的问题,提出δ-采样方法以自适应调节探索与利用,并给出最优参数化算法,实验验证其能有效提升解的质量。
2024-06-11 cs.AI cs.LG
EVINCE: Optimizing Multi-LLM Dialogues Using Conditional Statistics and Information Theory
Stanford University(斯坦福大学)
EVINCE利用条件统计和信息论,通过双熵优化动态调节多LLM对话,平衡视角多样性与先验知识,提升协作效率。
2026-09-16 cs.AI
Optimizing Offer Sets in Sub-Linear Time
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
个性化和推荐现在被认为是几乎所有在线环境的核心竞争力,从媒体平台到电子商务再到社交网络。虽然估计用户偏好的挑战已经获得了显著的关注,但是使用这样的偏好来构造对用户的个性化报价集的操作问题仍然是一个挑战,特别是在大量项目和毫秒响应时间要求意味着甚至不可能枚举所有项目的现代设置中。面对这样的环境,现有的技术要么(a)完全是启发式的,没有原则性的理由,要么(b)理论上是合理的,但工作太慢。因此,出于动机,我们提出了一种算法,个性化的报价集优化,运行在时间上的项目数的次线性,同时享受统一的性能保证。我们的算法适用于一类非常普遍的问题和模型的用户选择,包括混合多项式logit模型作为一个特殊情况。我们实现了一个次线性运行时,利用降维学习一个准确的潜在因素模型,以及现有的次线性时间近似近邻算法。我们的算法可以完全是数据驱动的,依赖于用户的样本,其中“样本”是指通常由公司收集的用户交互数据。我们在Outbrain的大量内容发现数据集上评估了我们的方法,其中包括数百万个广告。结果表明,我们的实现确实运行速度快,并与现有的快速算法的性能提高。
2020-11-17 cs.AI cs.IR stat.AP
On Optimizing Interventions in Shared Autonomy
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Microsoft(微软);MassMutual Data Science(万通互惠数据科学)
共享自主性是指使自主智能体能够与人类合作以提高人类绩效的方法。然而,除了提高性能之外,代理同时考虑保持用户的协作体验或满意度通常也是有益的。为了解决这个额外的目标,我们研究的方法,通过限制干预的数量由自主智能体,以改善用户体验。我们提出了两种无模型强化学习方法,可以考虑对干预次数的硬约束和软约束。我们表明,我们的方法不仅优于现有的基线,而且还消除了手动调整黑盒超参数来控制辅助水平的需要。我们还提供了一个深入的分析干预方案,以进一步阐明系统的理解。
2022-01-01 cs.AI cs.LG
Unveiling Hidden Collaboration within Mixture-of-Experts in Large Language Models
Tsinghua University(清华大学);College of Software, Northeastern University(东北大学软件学院)
针对MoE LLMs专家协作机制不明的问题,提出HSDL方法识别协作模式、CAEP算法剪枝低贡献专家,实验验证模式与输入类型相关且语义显著,剪枝平均提升性能2.5%,为模型优化与可解释性提供支持。
2025-04-16 cs.AI cs.LG
Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling
Federal University of São Paulo (UNIFESP)(圣保罗联邦大学(UNIFESP));Aeronautics Institute of Technology (ITA)(航空技术学院(ITA))
本研究提出随机键优化器框架,集成多种元启发式算法,解决多约束手术室调度问题,显著改进上下界并证明一个最优解,提升医院运营效率。
2025-01-24 cs.AI cs.NE math.CO
Personalized HeartSteps: A Reinforcement Learning Algorithm for Optimizing Physical Activity
University of Michigan(密歇根大学);IBM Research(IBM研究院);Harvard University(哈佛大学)
随着移动健康技术的发展,健康科学家对开发及时适应性干预(JITAI)越来越感兴趣,JITAI通常通过移动终端上的通知提供,旨在帮助用户预防负面健康结果,并促进健康行为的采用和维持。JITAI涉及一系列决策规则(即,治疗策略),其将用户的当前上下文作为输入,并指定此时是否应该提供干预以及应该提供什么类型的干预。在本文中,我们开发了一种强化学习(RL)算法,该算法在从用户收集数据时不断学习和改进JITAI中嵌入的治疗策略。这项工作的动机是我们在HeartSteps V2中基于HeartSteps V1的数据设计RL算法的合作。HeartSteps是一个身体活动移动健康应用程序。本文开发的RL算法正在HeartSteps V2中使用,每天五次,以决定是否提供上下文定制的活动建议。
2019-09-08 cs.AI cs.LG
Learning Differentiable Programs with Admissible Neural Heuristics
UC Berkeley(加州大学伯克利分校);Caltech(加州理工学院);UT Austin(德克萨斯大学奥斯汀分校)
我们研究的问题,学习微分函数表示为程序在特定领域的语言。这样的编程模型可以提供诸如可组合性和可解释性的好处;然而,学习它们需要在程序“架构”的组合空间上进行优化。我们将此优化问题视为加权图中的搜索,其路径编码程序语法的自上而下的派生。我们的主要创新是将各种类型的神经网络视为程序空间上的连续松弛,然后可以用于完成任何部分程序。这种放松的程序是可微的,可以端到端地训练,并且由此产生的训练损失是可以指导组合搜索的近似可容许启发式。我们实例化我们的方法上的A-star算法和迭代深化的分支定界搜索,并使用这些算法来学习程序分类器在三个序列分类任务。我们的实验表明,这些算法的性能优于最先进的程序学习方法,并且它们发现了产生自然解释并实现有竞争力的准确性的程序分类器。
2021-03-28 cs.AI cs.LG cs.PL