מושגי ליבה
오프라인 경험과 온라인 경험을 효과적으로 결합하여 메타휴리스틱의 성능을 향상시키는 하이브리드 프레임워크를 제안한다.
תקציר
이 논문은 메타휴리스틱의 성능을 향상시키기 위해 오프라인 경험과 온라인 경험을 효과적으로 결합하는 하이브리드 프레임워크를 제안한다.
상태 기반 AOS 모듈: 이전에 해결한 문제들의 오프라인 경험을 활용하여 모델을 학습하고, 현재 문제 해결 과정에서 얻은 온라인 경험으로 모델을 지속적으로 업데이트한다.
상태 없는 AOS 모듈: 현재 문제 해결 과정에서 얻은 온라인 경험만을 활용하여 연산자 선택을 수행한다. 계산 비용이 낮다.
결정 정책 조정 메커니즘: 두 AOS 모듈의 결과를 적절히 조합하여 연산자를 선택한다. 현재 문제 해결 과정에서의 성능 향상 여부에 따라 두 모듈의 가중치를 동적으로 조정한다.
실험 결과, 제안한 하이브리드 프레임워크가 실제 최적화 문제와 조합 최적화 문제에서 기존 최신 방법들을 뛰어넘는 성능을 보였다. 또한 각 구성 요소의 기여도를 검증하는 실험을 통해 제안 방법의 효과를 입증하였다.
סטטיסטיקה
실험에 사용된 실제 최적화 문제는 총 138개이며, 이 중 36개 문제에서 제안 방법이 기존 방법보다 유의미하게 우수한 성능을 보였다.
실험에 사용된 조합 최적화 문제는 총 33개 인스턴스이며, 이 중 21개 인스턴스에서 제안 방법이 기존 방법보다 유의미하게 우수한 성능을 보였다.
ציטוטים
"오프라인 경험은 때때로 새로운 문제를 해결할 때 잘못된 인식을 제공할 수 있다."
"온라인 경험을 활용하는 것은 계산 자원이 제한적이라는 주요 장애물에 직면한다."