Tensorisierte Ameisenkolonie-Optimierung zur GPU-Beschleunigung
Eine tensorisierte Ameisenkolonie-Optimierung (TensorACO) wird vorgestellt, um die Leistung von Ameisenkolonie-Optimierung (ACO) durch GPU-Beschleunigung zu verbessern. TensorACO tensorisiert das Ameisensystem und den Ameisenpfad, um die Berechnung zu parallelisieren und zu beschleunigen. Zusätzlich wird eine adaptive unabhängige Roulette-Methode (AdaIR) eingeführt, um die Herausforderungen der Parallelisierung des Auswahlmechanismus von ACO auf GPUs zu überwinden.
Effiziente Exploration von kombinatorischen Optimierungsproblemen mit Verstärkungslernen durch Einsatz der Eichfeldtransformation
Die Eichfeldtransformation (Gauge Transformation, GT) ist eine einfache, aber effektive Technik, um Verstärkungslernen-Agenten dabei zu unterstützen, den Lösungsraum bei kombinatorischen Optimierungsproblemen effektiv zu erforschen und kontinuierlich zu verbessern.
Überlegene genetische Algorithmen für das Zielmengenauswahlproblem basierend auf Potenzgesetz-Parameterauswahl und einfachen gierigen Heuristiken
Einfache Modifikationen des BRKGA-Algorithmus, wie die Verwendung von Potenzgesetz-verteilten Parametern und eine einfache gierige Heuristik, führen zu signifikant besseren Ergebnissen als der Stand der Technik für das Zielmengenauswahlproblem.
Effiziente Steuerung der Adaptiven Großen Nachbarschaftssuche mit Tiefer Verstärkungslernung
Eine DRL-basierte Methode, die die Auswahl von Operatoren, die Konfiguration der Zerstörungsschwere und die Steuerung des Akzeptanzkriteriums in der Adaptiven Großen Nachbarschaftssuche (ALNS) während der Suche lernt, um effizientere Lösungen für gegebene Optimierungsprobleme zu erzielen.
Tiefes Reinforcement-Lernen für Reisende-Käufer-Probleme
Unser Ansatz basierend auf tiefem Reinforcement-Lernen adressiert die Routenkonstruktion und Einkaufsplanung separat, während er die Lösung aus einer globalen Perspektive bewertet und optimiert.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen in (zufälliger Reihenfolge) Online-Kontentionsauflösungsverfahren für das Matching-Polytop von (bipartiten) Graphen
Diese Arbeit analysiert Online-Kontentionsauflösungsverfahren (OCRS) für Ressourcenbeschränkungen, die durch Matchings in Graphen definiert sind. Es werden Verbesserungen sowohl für algorithmische Garantien als auch für Unmöglichkeitsresultate für alle Kombinationen von Varianten (adversarische oder zufällige Reihenfolge, bipartite oder allgemeine Graphen) erzielt. Die Ergebnisse verbessern direkt die besten bekannten kompetitiven Verhältnisse für Online-Akzeptieren/Ablehnen, Sondieren und Preissetzungsprobleme auf Graphen in einheitlicher Weise.
Effiziente Lösung des Quadratischen Zuordnungsproblems durch Zwei-Stufen-Graphzeigernetze und Reinforcement Learning
Wir schlagen ein Zwei-Stufen-Graphzeigernetze-Modell vor, das das Quadratische Zuordnungsproblem durch Reinforcement Learning effizient lösen kann.
Effiziente Lösung des quadratischen Rucksackproblems mit Ising-Maschinen
Die Studie zeigt, dass die Kombination von Ising-Maschinen mit effizienten Post-Processing-Verfahren eine vielversprechende Methode zur Lösung des quadratischen Rucksackproblems ist. Durch die Reparatur und Verbesserung der Lösungen können Ising-Maschinen optimale Ergebnisse erzielen, die mit bisherigen Heuristiken vergleichbar sind.
Das n-Fahrzeug-Erkundungsproblem ist NP-vollständig
Das n-Fahrzeug-Erkundungsproblem (NVEP) ist ein NP-vollständiges kombinatorisches Suchproblem, bei dem eine Permutation von n Fahrzeugen gefunden werden muss, um die maximale Distanz für eines der Fahrzeuge zu erreichen.
Effiziente Lösung kombinatorischer Optimierungsprobleme durch Pointer-Netzwerke und Q-Learning
Die Kombination von Pointer-Netzwerken und Q-Learning in einem Pointer-Q-Netzwerk (PQN) ermöglicht eine effiziente Lösung des Orientierungsproblems, indem die Stärken beider Ansätze genutzt werden - die präzise Sequenzvorhersage der Pointer-Netzwerke und die strategische Entscheidungsfindung des Q-Lernens.
© 2024 by Linnk AI