Core Concepts
オフラインとオンラインの経験を効果的に組み合わせることで、メタヒューリスティックのパフォーマンスを向上させる。
Abstract
本論文は、メタヒューリスティックの最適化パフォーマンスを向上させるために、オフラインとオンラインの経験を効果的に組み合わせるハイブリッドなアダプティブオペレータ選択(AOS)フレームワークを提案している。
主な内容は以下の通り:
状態ベースのAOSモジュールは、過去に解決した問題からのオフラインの経験と、現在の問題解決中に得られるオンラインの経験の両方から学習する。
ステートレスのAOSモジュールは、オンラインの経験のみから学習し、計算コストが低い。
2つのAOSモジュールの決定を適切に組み合わせるための動的な重み付け機構を導入する。
提案手法は、170の実数値最適化問題と34の組合せ最適化問題のベンチマークで評価され、従来手法を上回るパフォーマンスを示した。アブレーション実験により、提案フレームワークの各コンポーネントの有効性が検証された。
Stats
提案手法は、170の実数値最適化問題のうち36問で従来手法より有意に良い性能を示し、7問で劣っていた。
提案手法は、34の組合せ最適化問題のうち21問で従来手法より有意に良く、5問で劣っていた。
Quotes
"Learning from previous problem-solving experiences can help adjust algorithm components of meta-heuristics, e.g., adaptively selecting promising search operators, to achieve better optimisation performance."
"Learning from online experiences obtained during the ongoing problem-solving process is more instructive but highly restricted by limited computational resources."