Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection
Jadavpur University(jadavpur大学)
“混合元分析”是优化和特征选择(FS)领域中最有趣的近期趋势之一。在本文中,我们提出了原子搜索优化(ASO)的二进制变体和它的混合模拟退火称为ASO-SA技术FS。为了将ASO使用的实值映射到FS的二进制域,我们使用了两种不同的传递函数:S形和V形。我们已经将这种技术与称为SA的本地搜索技术相结合,我们已经将所提出的特征选择方法应用于来自4个不同类别的25个数据集:UCI,手写数字识别,文本,非文本分离和面部情感识别。我们使用了3种不同的分类器(K-最近邻,多层感知器和随机森林)来评估所选择的二进制ASO,ASO-SA特征的强度,并与最近的一些基于包装器的算法的结果进行了比较。实验结果证实了所提出的方法的优越性,无论是在分类精度和选择的功能数量。
2020-05-10 cs.CV cs.LG cs.NE
Designing thermal radiation metamaterials via hybrid adversarial autoencoder and Bayesian optimization
Shanghai Jiao Tong University(上海交通大学);The University of Tokyo(东京大学);China Building Materials Academy(中国建筑材料科学研究总院)
热辐射超材料的设计是一个具有挑战性的问题,特别是高自由度和复杂的目标。在这封信中,我们开发了一种混合材料信息学方法,该方法结合了对抗性自动编码器和贝叶斯优化来设计不同目标波长的窄带热发射器。只需几百个训练数据集,就可以在压缩的二维潜空间中快速计算出具有最佳性能的新结构。这使得优化设计的计算量远远小于总候选结构的0.001%,大大缩短了设计周期和成本。所提出的设计框架可以很容易地扩展到其他具有更高维度特征的热辐射超材料设计。
2022-04-26 cs.LG physics.comp-ph physics.optics
A Hybrid Algorithm for Metaheuristic Optimization
Golisano College of Computing Information Sciences(戈利萨诺计算与信息科学学院);Rochester Institute of Technology(罗切斯特理工学院)
我们提出了一种新的,灵活的算法,结合在一起的元优化非凸优化问题。我们的方法treatsconstituent优化作为一个团队的复杂代理人,在simulationprocess期间,在不同的时间间隔彼此之间的信息。由每个个体代理产生的信息可以通过更高级别的操作符以各种方式组合。在我们对keybenchmark函数的实验中,我们研究了我们的算法的性能如何随其几个关键的可修改属性而变化。最后,我们将我们提出的算法应用到分类问题中,涉及支持向量机分类器的优化。
2019-05-26 cs.AI cs.LG cs.MA
Multi-Objective Optimization of Electrical Machines using a Hybrid Data-and Physics-Driven Approach
TU-Darmstadt(达姆施塔特工业大学);Robert Bosch GmbH(罗伯特·博世有限公司)
针对电机有限元仿真优化计算成本高的问题,提出数据与物理混合驱动的PMSM优化方法,用DNN预测中间量结合物理模型算KPI,可在保证Pareto结果质量的同时大幅降低计算量。
2023-06-15 cs.LG
Hybrid Group Relative Policy Optimization: A Multi-Sample Approach to Enhancing Policy Optimization
Collins Aerospace(柯林斯航空航天公司)
本文提出Hybrid GRPO框架,通过结合经验多样本动作采样与自举价值估计来改进PPO和GRPO,在提升样本效率与学习稳定性的同时缓解方差放大问题,并展示其在LLM与真实世界智能体决策中的潜在应用。
2025-01-30 cs.AI cs.LG
Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach
Technische Universität Darmstadt(达姆施塔特工业大学)
量化和最小化不确定性是电磁设备设计中的重要任务,这伴随着高计算量。我们提出了一种混合的方法结合的可靠性和准确性的蒙特卡罗分析的效率的代理模型的基础上高斯过程回归。我们提出了两种优化方法。一个自适应牛顿MC,以减少不确定性的影响和遗传多目标的方法,以优化性能和鲁棒性在同一时间。对于介质波导,作为一个基准问题,所提出的方法优于经典的方法。
2020-10-08 cs.CE cs.LG
Hybrid Decentralized Optimization: Leveraging Both First- and Zeroth-Order Optimizers for Faster Convergence
本文研究混合去中心化优化,使具备一阶和零阶优化能力的节点共存协同求解任务,提出对含噪梯度估计器的新分析,证明系统整合零阶节点可加速收敛,适用于凸/非凸目标及深度神经网络训练。
2025-10-30 cs.DC cs.LG
Synthesizing multi-layer perceptron network with ant lion, biogeography-based dragonfly algorithm evolutionary strategy invasive weed and league champion optimization hybrid algorithms in predicting heating load in residential buildings
Oxford Brookes University(牛津布鲁克斯大学)
热负荷(HL)精确近似的意义是本研究的主要动机,以区分最有效的预测模型之间的几个神经元启发式模型。提出的模型是通过综合多层感知器网络(MLP)与蚁群优化(ALO),基于地理的优化(BBO),遗传算法(DA),进化策略(ES),入侵杂草优化(IWO)和联赛冠军优化(LCA)的混合算法。每个合奏优化的操作人口。因此,ALO-MLP、BBO-MLP、DA-MLP、ES-MLP、IWO-MLP和LCA-MLP分别在350、400、200、500、50和300的群体大小下表现出最佳性能。通过实施排名系统进行比较。基于获得的总评分(OS),BBO(OS = 36)是最有效的优化技术,其次是ALO(OS = 27)和ES(OS = 20)。由于这些算法的有效性能,相应的MLP可以是有前途的替代传统方法用于HL分析。
2021-02-13 cs.LG cs.NE
Topological gap protocol based machine learning optimization of Majorana hybrid wires
Institut für Theoretische Physik, Universität Leipzig(莱比锡大学理论物理研究所)
本文针对 Majorana 纳米线中无序破坏拓扑相、降低器件良率的问题,提出受拓扑能隙协议启发、基于非局域电导测量的优化度量,并用机器学习调控栅极阵列以可靠补偿强无序。
2023-05-25 cond-mat.mes-hall cs.LG
DisCo-DSO: Coupling Discrete and Continuous Optimization for Efficient Generative Design in Hybrid Spaces
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Computational Engineering Division(计算工程部门)
DisCo-DSO通过生成模型联合优化离散与连续变量,在混合空间中实现高效黑箱优化,显著提升样本效率,并在可解释强化学习中超越现有方法。
2024-12-15 cs.LG math.OC
HyCO: A Hybrid Neural Solver for Combinatorial Optimization
College of William & Mary(威廉玛丽学院)
针对神经组合优化中RL求解器与扩散模型求解器各自的遗憾缺陷,提出混合求解器HyCO,通过RL构建前缀并自适应切换至扩散模型,理论证明降低遗憾并实验验证改进。
2026-11-02 cs.AI cs.LG
PPO-Based Hybrid Optimization for RIS-Assisted Semantic Vehicular Edge Computing
本文提出基于PPO的混合优化方法,用于RIS辅助的语义车载边缘计算,有效降低端到端时延,相比GA和QPSO提升40%-50%。
2026-03-10 cs.LG cs.NI
A Hybrid Framework of Reinforcement Learning and Convex Optimization for UAV-Based Autonomous Metaverse Data Collection
Nanyang Technological University(南洋理工大学)
针对无人机辅助元宇宙数据采集中资源分配与轨迹控制的时间序列优化难题,本文提出强化学习与凸优化协同的混合框架,在给定功率资源下有效缩短任务完成时间。
2023-05-29 cs.AI cs.LG
Hybrid-Quantum Neural Architecture Search for The Proximal Policy Optimization Algorithm
The University of Aleppo(阿勒颇大学)
本研究使用正则化进化算法为PPO算法搜索最优混合经典-量子架构,发现经典模型占优,最佳混合模型排名第十一,并分析了影响性能的因素以指导高效架构设计。
2025-01-18 cs.LG cs.NE quant-ph
Thinking Out of the Box: Hybrid SAT Solving by Unconstrained Continuous Optimization
Department of Computer Science, Rice University(计算机科学系,里士大学);Department of Applied Mathematics and Statistics, Colorado School of Mines(应用数学与统计系,科罗拉多矿业学院);Department of Mathematics, University of California, Los Angeles(数学系,加州大学洛杉矶分校)
本文针对混合SAT求解问题,提出基于惩罚项的无约束连续优化公式,并通过理论与实验证明Adam等无约束优化器能有效提升混合基准上的SAT求解性能。
2025-05-31 cs.AI cs.LG cs.LO
Unsupervised Machine Learning Hybrid Approach Integrating Linear Programming in Loss Function: A Robust Optimization Technique
UC Berkeley(加州大学伯克利分校)
本文提出一种将线性规划(LP)集成到无监督机器学习模型损失函数中的混合方法,通过封装LP约束和目标指导学习过程,兼具LP的可解释性与机器学习的灵活性,适用于复杂优化问题。
2025-04-18 cs.AI cs.LG math.OC
A Hybrid Stochastic Optimization Framework for Stochastic Composite Nonconvex Optimization
The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);IBM Research(IBM研究院)
针对一类随机组合且可能非凸的最优化问题,提出了一种新的随机最优化算法。其主要思想是将两个随机估计组合起来,形成一个新的混合估计。我们首先介绍我们的混合估计,然后研究其基本性质,形成算法开发的基础理论。接下来,我们应用我们的理论来开发随机梯度法的几个变种,以解决期望和有限和复合最优化问题。我们的第一个算法可以被看作是一个单一的循环的近端随机梯度法的变体,但可以实现$\mathcal{O}(σ^3\varepsilon^{-1} + σ\varepsilon^{-3})$ -oracle的复杂性界,匹配最知名的,从国家的最先进的双循环算法在文献中,其中$σ> 0$是方差和$\varepsilon$是一个理想的精度。然后,我们考虑我们的方法的两个不同的变体:自适应步长和重新启动计划,在我们的第一个算法中有类似的理论保证。我们还研究了所提出的方法的两个小批量的变种。在所有的情况下,我们都达到了标准假设下最著名的复杂性界限。我们用真实数据集在几个数值例子上测试了我们的方法,并将它们与最先进的方法进行了比较。我们的数值实验表明,新的方法是可比的,在许多情况下,优于他们的竞争对手。
2020-05-03 cs.LG math.OC stat.ML
Hybrid Pointer Networks for Traveling Salesman Problems Optimization
Minya University(明亚大学);Queensland University of Technology(昆士兰科技大学)
在这项工作中,提出了一种新的想法,组合优化问题,一个混合网络,这将导致在一个优越的结果。我们将这种方法应用于图指针网络[1],将其功能扩展到更高的水平。提出了一种混合指针网络(HPN)来解决由强化学习训练的旅行商问题。此外,HPN建立在图指针网络的基础上,图指针网络是指针网络的扩展,具有额外的图嵌入层。由于混合编码器,HPN在解决方案质量方面优于图指针网络,这为我们的模型提供了一个verity编码类型,使我们的模型能够收敛到更好的策略。我们的网络在小规模和大规模问题上的表现明显优于原始的图指针网络,将其TSP50的性能从5.959提高到5.706,而不使用2opt,指针网络,注意力模型和各种模型,产生的结果与高度调整和专业化的算法相当。我们公开我们的数据、模型和代码[2]。
2021-10-13 cs.AI cs.LG math.OC
A Hybrid Monte Carlo Architecture for Parameter Optimization
Dartmouth College(达特茅斯学院)
最近的研究已经在贝叶斯学习领域进行,特别是关于通过高斯过程回归优化超参数。这些方法主要依赖于使得分函数相对于超参数的调整的预期改进最大化的方法。在这项工作中,我们提出了一种新的算法,利用置信区间和不确定性的概念,使最佳的参数空间的目标区域内的最佳发现。我们证明了我们的算法相对于机器学习问题的有效性,并展示了我们的算法与最大化预期改进的方法具有竞争力的情况。
2014-05-10 cs.LG stat.ME stat.ML
Machine learning optimization of Majorana hybrid nanowires
Universität Leipzig(莱比锡大学)
随着量子比特阵列等量子系统的复杂性增加,自动化昂贵的调谐的努力越来越值得。我们研究了基于机器学习的调整门阵列使用的CMA-ES算法的情况下,马约拉纳线与强无序。我们发现,该算法能够有效地提高拓扑签名,学习内在的无序配置文件,并完全消除无序效应。例如,在只有20个栅极的情况下,可以通过优化栅极电压来完全恢复被无序破坏的马约拉纳零模式。
2022-08-09 cond-mat.mes-hall cs.LG cs.NE
A Hybrid Algorithm for Convex Semidefinite Optimization
Friedrich-Schiller-University Jena(耶拿弗里德里希·席勒大学)
提出一种混合算法用于优化凸光滑函数在半正定矩阵锥上的问题,该算法收敛到全局最优解,可解决大规模半定规划,在矩阵补全、度量学习和稀疏PCA上优于现有方法。
2012-06-18 cs.DS cs.LG cs.NA
Monte Carlo Tree Search based Hybrid Optimization of Variational Quantum Circuits
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);St. Kliment Ohridski University of Sofia(索非亚圣克里门特·奥赫里德大学);Max Planck Institute for the Physics of Complex Systems(马克斯·普朗克复杂系统物理研究所);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
变分量子算法站在近期和未来容错量子设备模拟的最前沿。虽然大多数变分量子算法只涉及连续优化变量,但有时可以通过添加某些离散优化变量来显着增强变分预测的表示能力,如广义量子近似优化算法(QAOA)所示。然而,混合离散-连续优化问题的广义QAOA提出了一个挑战的优化。我们提出了一种新的算法称为MCTS-QAOA,它结合了蒙特卡罗树搜索方法和改进的自然策略梯度求解器,分别优化量子线路中的离散和连续变量。我们发现,MCTS-QAOA具有良好的抗噪性能,并优于以往的算法在具有挑战性的情况下,广义QAOA。
2022-03-30 cond-mat.quant-gas cs.LG physics.comp-ph
A Hybrid Framework for Reinsurance Optimization: Integrating Generative Models and Reinforcement Learning
Reinsurance Analytics(再保险分析)
本文提出结合变分自编码器和近端策略优化的混合框架,用于动态调整再保险条约参数,提升资本充足率和抗风险能力,优于传统方法。
2026-03-23 cs.AI cs.LG econ.EM