帕斯卡·科尔斯克
人员信息
优化列表
![笔记](https://dblp.org/img/note-mark.dark.12x12.png)
2020年–今天
2024 【i24】 莫里茨·文森特·塞勒 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
Deep-ELA:针对单目标和多目标连续优化问题,使用自我监督的预应变变压器进行深度探索性景观分析。 CoRR公司 abs/2401.01192 ( 2024 ) [第23条] 康斯坦丁·迪特里希 , 迪德里克·维梅滕 , 卡罗拉·多尔 , 帕斯卡·科尔斯克 :
训练实例选择对数值黑盒优化自动算法选择模型的影响。 CoRR公司 腹肌/2404.07539 ( 2024 ) 2023 [公元15年] 瓦妮莎·沃尔兹 , 鲍里斯·诺约克斯 , 帕斯卡·科尔斯克 , 茶馆 :
游戏程序内容生成中优化问题的景观分析工具。 申请。 软计算。 136 : 110121 ( 2023 ) [公元14年] 佩林·阿斯帕 , 维拉·斯坦霍夫 , Lennart Schäpermeier先生 , 帕斯卡·科尔斯克 , 海克·特劳特曼 , 克里斯蒂安·格里姆 :
解放我的目标是:一种用于连续单目标优化的多目标局部搜索方法。 自然计算。 22 ( 2 ) : 271-285 ( 2023 ) [j13] 乔纳森·海恩斯 , 雅各布·博斯克 , 贾尼娜·波尔 , 莫里茨·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
研究归一化TSP特征对自动算法选择的影响。 西奥。 计算。 科学。 940 ( 部分 ) : 123-145 ( 2023 ) [公元42年] Lennart Schäpermeier先生 , 帕斯卡·科尔斯克 , 克里斯蒂安·格里姆 , 海克·特劳特曼 :
群雄逐鹿! 用精确Pareto集生成多目标多峰值基准问题。 应急措施组织 2023 : 291-304 [公元41年] 拉斐尔·帕特里克·普拉格 , 康斯坦丁·迪特里希 , 伦纳特·施耐德 , Lennart Schäpermeier先生 , 伯恩德·比施尔 , 帕斯卡·科尔斯克 , 海克·特劳特曼 , 奥拉夫·默斯曼 :
神经网络作为针对探索性景观特征优化的黑盒基准函数。 FOGA公司 2023 : 129-139 [公元40年] 帕斯卡·科尔斯克 , 迈克·普劳斯 :
探索性景观分析。 GECCO公司 2023 : 990-1007 [公元39年] 康斯坦丁·迪特里希 , 帕斯卡·科尔斯克 :
从Nevergrad工具箱对严格盒子约束的SBOX-COST基准测试套件的算法进行评估。 GECCO公司 2023 : 2326-2329 [i22] 瓦妮莎·沃尔兹 , 鲍里斯·诺约克斯 , 帕斯卡·科尔斯克 , 茶馆 :
游戏程序内容生成中优化问题的景观分析工具。 CoRR公司 abs/2302.08479 ( 2023 ) 【i21】 安妮·奥格 , 彼得·博斯曼 , 帕斯卡·科尔斯克 , 达雷尔·惠特利 , Lennart Schäpermeier先生 :
基准优化启发式的挑战(Dagstuhl研讨会23251)。 Dagstuhl报告 13 ( 6 ) : 55-80 ( 2023 ) 2022 [公元12年] 阿加莎·罗德里格斯 , 帕斯卡·科尔斯克 , 卡洛斯·阿尔贝托·德布拉甘萨·佩雷拉 , 海克·特劳特曼 , 卡罗琳·瓦格纳 , 伯恩德·海林格思 , 阿德里亚诺·波尔波 :
利用潜在变量从叠加更新过程中估计部件可靠性。 计算。 斯达。 37 ( 1 ) : 355-379 ( 2022 ) [公元11年] 阿加莎·罗德里格斯 , 帕斯卡·科尔斯克 , 卡洛斯·阿尔贝托·德布拉甘萨·佩雷拉 , 海克·特劳特曼 , 卡罗琳·瓦格纳 , 伯恩德·海林格思 , 阿德里亚诺·波尔波 :
更正:通过潜在变量从叠加更新过程中估计部件可靠性。 计算。 斯达。 37 ( 1 ) : 381 ( 2022 ) [公元10年] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
密谋不可能? 连续多目标基准问题的测量可视化方法。 IEEE传输。 进化。 计算。 26 ( 6 ) : 1306-1320 ( 2022 ) [公元38年] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
摩尔:通过多模式多目标景观挖掘隧道。 GECCO公司 2022 : 592-600 [公元37年] 莫里茨·文森特·塞勒 , 拉斐尔·帕特里克·普拉格 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
一组基于深度学习的无特征方法,用于表征单目标连续健身景观。 GECCO公司 2022 : 657-665 [公元36年] 西蒙·布吕根根 , 尼娜·沙夫 , 帕斯卡·科尔斯克 , 马可·胡贝尔 :
可解释机器学习的混合决策树。 ICMLA公司 2022 : 1175-1182 [公元35年] 拉斐尔·帕特里克·普拉格 , 莫里茨·文森特·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
单目标连续优化中的自动算法选择:深度学习和景观分析方法的比较研究。 PPSN(1) 2022 : 3-17 [公元34年] 乔纳森·海恩斯 , 杰伦·鲁克 , Lennart Schäpermeier先生 , 帕斯卡·克施克 , 雅各布·博斯克 , 海克·特劳特曼 :
BBE:基于流域的多模态多目标优化问题评估。 PPSN(1) 2022 : 192-206 [公元33年] 伦纳特·施耐德 , Lennart Schäpermeier先生 , 拉斐尔·帕特里克·普拉格 , 伯恩德·比施尔 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
HPO˟ELA:通过探索性景观分析研究超参数优化景观。 PPSN(1) 2022 : 575-589 [电子2] 君特·鲁道夫 , 安娜·科诺诺娃 , 埃尔南·阿吉雷 , 帕斯卡·科尔斯克 , 加布里埃拉·奥乔亚 , 茶馆 :
自然并行问题解决——PPSN XVII-第17届国际会议,PPSN 2022,德国多特蒙德,2022年9月10日至14日,会议记录,第一部分。 计算机科学课堂讲稿 13398, 施普林格 2022 ,十亿 978-3-031-14713-5 [目录] [电子1] 居恩特·鲁道夫 , 安娜·科诺诺娃 , 埃尔南·阿吉雷 , 帕斯卡·科尔斯克 , 加布里埃拉·奥乔亚 , 茶馆 :
自然并行问题解决——PPSN XVII-第17届国际会议,PPSN 2022,德国多特蒙德,2022年9月10日至14日,会议记录,第二部分。 计算机科学课堂讲稿 13399, 施普林格 2022 ,十亿 978-3-031-14720-3 【内容】 [i20] 莫里茨·文森特·塞勒 , 拉斐尔·帕特里克·普拉格 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
一系列基于深度学习的无特征方法,用于描述单目标连续健身景观。 CoRR公司 abs/2204.05752 ( 2022 ) [i19] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
鼹鼠:通过多模式多目标景观挖掘隧道。 CoRR公司 abs/2204.10848 ( 2022 ) [i18] 伦纳特·施耐德 , Lennart Schäpermeier先生 , 拉斐尔·帕特里克·普拉格 , 伯恩德·比施尔 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
HPO X ELA:通过探索性景观分析研究超参数优化景观。 CoRR公司 abs/2208.00220 ( 2022 ) [i17] 西蒙·布吕根根 , 尼娜·沙夫 , 帕斯卡·科尔斯克 , 马可·胡贝尔 :
可解释机器学习的混合决策树。 CoRR公司 abs/2211.14617 ( 2022 ) 2021 [公元9年] 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 , 佩林·阿斯帕 , 海克·特劳特曼 , 迈克·普劳斯 , 安德烈·H·多伊茨 , 王浩(Hao Wang) , 迈克尔·埃默里奇 :
超越峰值:连续多模式多目标优化的挑战和研究潜力。 计算。 操作。 物件。 136 : 105489 ( 2021 ) [公元32年] 佩林·阿斯帕 , 帕斯卡·科尔斯克 , 维拉·斯坦霍夫 , 海克·特劳特曼 , 克里斯蒂安·格里姆 :
多个 三 :通过多目标化方法优化多目标空间中的多模态单目标连续问题。 应急措施组织 2021 : 311-322 [公元31年] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
大胆展示之前无人见过的:可视化多目标景观的仪表板。 应急措施组织 2021 : 632-644 [公元30年] 乔纳森·海恩斯 , 雅各布·博斯克 , 贾尼娜·波尔 , 莫里茨·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
关于归一化TSP特征用于自动算法选择的潜力。 FOGA公司 2021 : 7:1-7:15 [公元29年] 拉斐尔·帕特里克·普拉格 , 莫里茨·文森特·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
面向单目标连续黑盒优化的无特征自动算法选择。 SSCI公司 2021 : 1-8 [第1页] 帕斯卡·科尔斯克 , 克里斯蒂安·格里姆 :
在连续多目标优化中消除多模态雾。 寻找多个解决方案的元启发式 2021 : 89-111 2020 [j8] 雅各布·博斯克 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
性能评估和单目标优化算法自动选择的多目标观点。 申请。 软计算。 88 : 105901 ( 2020 ) [公元28年] 雅各布·博斯克 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
不精确TSP解算器的任何时间行为和自动算法选择的观点。 欧洲协调委员会 2020 : 1-8 [公元27年] 雅各布·博斯克 , 卡罗拉·多尔 , 帕斯卡·科尔斯克 :
初始设计策略及其对基于序列模型的优化的影响:基于BBOB的探索性案例研究。 GECCO公司 2020 : 778-786 [公元26年] 雅各布·博斯克 , 凯特琳·卡塞尔 , 帕斯卡·科尔斯克 , 弗兰克·诺伊曼 :
节点权重相关的旅行商问题:近似算法和随机搜索启发式。 GECCO公司 2020 : 1286-1294 [公元25年] 莫里茨·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
通过可转移对手增强深度学习网络的弹性。 国际JCNN 2020 : 1-8 [公元24年] 莫里茨·塞勒 , 贾尼娜·波尔 , 雅各布·博斯克 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
深度学习作为一种无竞争特征的方法,用于自动选择旅行推销员问题的算法。 PPSN(1) 2020 : 48-64 【c23】 雅各布·博斯克 , 卡罗拉·多尔 , 帕斯卡·科尔斯克 , 安妮塔·诺依曼 , 弗兰克·诺伊曼 :
一快照优化任务的进化采样策略。 PPSN(1) 2020 : 111-124 [公元22年] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
一幅图展示所有场景:多目标景观中高效集的可视化。 PPSN(2) 2020 : 154-167 【c21】 拉斐尔·帕特里克·普拉格 , 海克·特劳特曼 , 王浩(Hao Wang) , 托马斯·巴克 , 帕斯卡·科尔斯克 :
通过分类器链和探索性景观分析对模块化CMA-ES进行永久配置。 SSCI公司 2020 : 996-1003 [公元20年] 维拉·斯坦霍夫 , 帕斯卡·科尔斯克 , 佩林·阿斯帕 , 海克·特劳特曼 , 克里斯蒂安·格里姆 :
局部搜索的多目标化:单目标优化得益于多目标梯度下降。 SSCI公司 2020 : 2445-2452 [i16] 雅各布·博斯克 , 凯特琳·卡塞尔 , 帕斯卡·科尔斯克 , 弗兰克·诺伊曼 :
节点权重相关旅行推销员问题:近似算法和随机搜索启发式。 CoRR公司 abs/2002.01070 ( 2020 ) [i15] 雅各布·博斯克 , 卡罗拉·多尔 , 帕斯卡·科尔斯克 :
初始设计策略及其对基于顺序模型的优化的影响。 CoRR公司 abs/2003.13826 ( 2020 ) [第14条] 雅各布·博斯克 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
不精确TSP解算器的任何时间行为和自动算法选择的观点。 CoRR公司 abs/2005.13289 ( 2020 ) [i13] 莫里茨·塞勒 , 海克·特劳特曼 , 帕斯卡·科尔斯克 :
通过可转移对手增强深度学习网络的弹性。 CoRR公司 abs/2005.13293 ( 2020 ) [i12] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
一幅图展示所有场景:多目标景观中有效集合的可视化。 CoRR公司 abs/2006.11547 ( 2020 ) [i11] 维拉·斯坦霍夫 , 帕斯卡·科尔斯克 , 克里斯蒂安·格里姆 :
多目标化对解决单目标问题的益处的实证研究。 CoRR公司 abs/2006.14423 ( 2020 ) [i10] 莫里茨·塞勒 , 珍妮娜·波尔 , 雅各布·博斯克 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
深度学习作为一种无竞争特征的方法,用于自动选择旅行推销员问题的算法。 CoRR公司 abs/2006.15968 ( 2020 ) [第九章] 托马斯·巴兹·贝尔斯坦 , 卡罗拉·多尔 , 雅各布·博斯克 , Sowmya Chandrasekaran公司 , 托梅·埃夫蒂莫夫 , 安德烈亚斯·菲施巴赫 , 帕斯卡·科尔斯克 , 曼努埃尔·洛佩兹·伊瓦涅斯 , 凯瑟琳·马兰 , 杰森·H·摩尔 , 鲍里斯·诺约克斯 , 帕特里克·奥尔泽乔夫斯基(Patryk Orzechowski) , 瓦妮莎·沃尔兹 , 马库斯·瓦格纳 , 托马斯·维斯 :
优化基准:最佳实践和未决问题。 CoRR公司 abs/2007.03488 ( 2020 ) [i8] 维拉·斯坦霍夫 , 帕斯卡·科尔斯克 , 佩林·阿斯帕 , 海克·特劳特曼 , 克里斯蒂安·格里姆 :
局部搜索的多目标化:单目标优化得益于多目标梯度下降。 CoRR公司 abs/2010.01004 ( 2020 ) [i7] Lennart Schäpermeier先生 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 :
大胆展示之前无人见过的:可视化多目标景观的仪表板。 CoRR公司 abs/2011.14395 ( 2020 )
2010 – 2019
2019 [j7] 朱塞佩·卡萨利基奥 , 雅各布·博斯克 , 米歇尔·朗 , 多米尼克·基尔霍夫 , 帕斯卡·科尔斯克 , 本杰明·霍夫纳 , 海蒂·塞博尔德 , 华金·范肖伦 , 伯恩德·比施尔 :
OpenML:连接到机器学习平台OpenML的R包。 计算。 斯达。 34 ( 三 ) : 977-991 ( 2019 ) [j6] 帕斯卡·科尔斯克 , 霍尔格·H·胡斯 , 弗兰克·诺伊曼 , 海克·特劳特曼 :
自动算法选择:调查与展望。 进化。 计算。 27 ( 1 ) : 3-45 ( 2019 ) [j5] 帕斯卡·科尔斯克 , 海克·特劳特曼 :
结合探索性景观分析和机器学习的连续黑盒问题自动算法选择。 进化。 计算。 27 ( 1 ) : 99-127 ( 2019 ) 【j4】 帕斯卡·科尔斯克 , 王浩(Hao Wang) , 迈克·普劳斯 , 克里斯蒂安·格里姆 , 安德烈·H·多伊茨 , 海克·特劳特曼 , 迈克尔·T·M·埃默里奇 :
多模态多目标问题的搜索动力学。 进化。 计算。 27 ( 4 ) : 577-609 ( 2019 ) [c19] 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 , 海克·特劳特曼 :
多目标优化中的多模态——利大于弊? 应急措施组织 2019 : 126-138 [第18条] 雅各布·博斯克 , 帕斯卡·科尔斯克 , 安妮塔·诺依曼 , 马库斯·瓦格纳 , 弗兰克·诺伊曼 , 海克·特劳特曼 :
通过新颖和创造性的突变算子进化出不同的TSP实例。 FOGA公司 2019 : 58-71 [第17条] 瓦妮莎·沃尔兹 , 鲍里斯·诺约克斯 , 帕斯卡·科尔斯克 , 茶馆 :
进化算法的单目标和多目标游戏基准。 GECCO公司 2019 : 647-655 [第16条] 帕斯卡·科尔斯克 , 迈克·普劳斯 :
探索性景观分析。 GECCO(同伴) 2019 : 1137-1155 [第15条] 卡罗拉·多尔 , 约翰·德雷奥 , 帕斯卡·科尔斯克 :
将(超)参数调优作为基准问题。 GECCO(同伴) 2019 : 1755-1764 [第14条] 杰雷米·拉宾 , 马库斯·加拉赫 , 帕斯卡·科尔斯克 , 迈克·普劳斯 , 奥利维尔·泰托 :
探索nevergrad平台上的MLDA基准。 GECCO(同伴) 2019 : 1888-1896 [i6] 雅各布·博斯克 , 帕斯卡·克施克 , 安妮塔·诺依曼 , 弗兰克·诺伊曼 , 卡罗拉·多尔 :
一步到位的决策——有代理权和无代理权。 CoRR公司 abs/1912.08956 ( 2019 ) 2018 [j3] 帕斯卡·科尔斯克 , 拉尔斯·科特霍夫 , 雅各布·博斯克 , 霍尔格·H·胡斯 , 海克·特劳特曼 :
通过机器学习利用TSP求解器互补性。 进化。 计算。 26 ( 4 ) ( 2018 ) [第13条] 帕斯卡·科尔斯克 , 雅各布·博斯克 , 海克·特劳特曼 :
最新性能指标的参数化:基于不精确TSP解算器的稳健性研究。 GECCO(同伴) 2018 : 1737-1744 [第12条] 吉赛尔·洛博·帕帕 , 迈克尔·T·M·埃默里奇 , 安娜·L.C.巴赞 , 威尔·N·布朗 , Kalyanmoy德布 , 卡罗拉·多尔 , 马尔科·杜拉塞维奇 , 迈克尔·G·埃皮托帕基斯 , 萨蒙多·哈拉尔德森 , Domagoj Jakobovic先生 , 帕斯卡·科尔斯克 , Krzysztof Krawiec公司 , 佩尔·克里斯蒂安·莱勒(Per Kristian Lehre) , 李晓东 , 安德烈·里索沃伊 , 佩卡·马洛 , 路易斯·马蒂 , 易美 , 胡安·朱利安·梅雷洛·格雷沃斯 , 朱利安·米勒 , 阿尔贝托·莫拉格里奥 , 安东尼奥·内布罗 , 苏阮(Su Nguyen) , 加布里埃拉·奥乔亚 , 彼得罗·奥利维托 , 斯捷潘·皮切克 , 内丽西娅·皮莱 , 迈克·普劳斯 , 马克·肖纳 , 罗曼·森克里克 , 安库尔·辛哈 , Ofer M.Shir先生 , 德克·苏霍尔特 , L.达雷尔·惠特利 , 马克·温伯格 , 约翰·伍德沃德 , 张梦洁 :
2018年PPSN的教程。 PPSN(2) 2018 : 477-489 [第11条] 罗宾·C·帕斯豪斯 , 克里斯汀·扎吉斯 , 西尔万·库萨特·勃朗 , 迈克尔·G·伊壁鸠鲁 , 马库斯·加拉赫 , 托马斯·詹森 , 帕斯卡·科尔斯克 , 李晓东 , 费尔南多·洛博 , 朱利安·米勒 , 彼得罗·奥利维托 , 迈克·普劳斯 , 乔瓦尼·斯奎列罗 , 阿尔贝托·保罗·通达 , 马库斯·瓦格纳 , 托马斯·韦斯 , 丹尼斯威尔森 , 波里斯·沃贝尔 , 阿莱斯·扎穆达 :
2018年PPSN研讨会。 PPSN(2) 2018 : 490-497 [i5] 帕斯卡·科尔斯克 , 霍尔格·H·胡斯 , 弗兰克·诺伊曼 , 海克·特劳特曼 :
自动算法选择:调查与展望。 CoRR公司 abs/1811.11597 ( 2018 ) 2017 [c10] 帕斯卡·科尔斯克 , 克里斯蒂安·格里姆 :
对多模式多目标优化景观的探索。 应急措施组织 2017 : 329-343 【c9】 帕斯卡·科尔斯克 , 迈克·普劳斯 :
探索性景观分析:2017年GECCO高级教程。 GECCO(同伴) 2017 : 762-781 【c8】 克里斯蒂安·汉斯特 , 帕斯卡·科尔斯克 :
flaccogui:面向每个人的探索性景观分析。 GECCO(同伴) 2017 : 1215-1222 [i4] 朱塞佩·卡萨利基奥 , 雅各布·博斯克 , 米歇尔·朗 , 多米尼克·基尔霍夫 , 帕斯卡·科尔斯克 , 本杰明·霍夫纳 , 海蒂·塞博尔德 , 华金·范肖伦 , 伯恩德·比施尔 :
OpenML:连接到网络化机器学习平台OpenML的R包。 CoRR公司 abs/1701.01293 ( 2017 ) [i3] 帕斯卡·科尔斯克 , 海克·特劳特曼 :
结合探索性景观分析和机器学习的连续黑盒问题自动算法选择。 CoRR公司 abs/1711.08921 ( 2017 ) 2016 [注2] 伯恩德·比施 , 帕斯卡·科尔斯克 , 拉尔斯·科特霍夫 , 马吕斯·林道尔 , 尤里·马利茨基 , 亚历山大·弗雷谢特 , 霍尔格·H·胡斯 , 弗兰克·赫特 , 凯文·莱顿-布朗 , 凯文·提尔尼 , 华金·范肖伦 :
ASlib:用于算法选择的基准库。 Artif公司。 智力。 237 : 41-58 ( 2016 ) [j1] 托比亚斯·利博希克 , 帕斯卡·克施克 , Konstantinos Fokianos公司 , 罗兰·弗里德 :
INGARCH过程中的干预建模。 国际期刊计算。 数学。 93 ( 4 ) : 640-657 ( 2016 ) 【c7】 帕斯卡·科尔斯克 , 海克·特劳特曼 :
R-Package FLACCO用于探索性景观分析,并应用于多目标优化问题。 欧洲协调委员会 2016 : 5262-5269 【c6】 帕斯卡·科尔斯克 , 迈克·普劳斯 , 西蒙·维辛 , 海克·特劳特曼 :
基于多峰模型的低预算探索性景观分析。 GECCO公司 2016 : 229-236 【c5】 帕斯卡·科尔斯克 , 王浩(Hao Wang) , 迈克·普劳斯 , 克里斯蒂安·格里姆 , 安德烈·德乌茨 , 海克·特劳特曼 , 迈克尔·埃默里奇 :
走向分析连续多目标景观的多模态。 PPSN(PPSN) 2016 : 962-972 2015 【c4】 安德烈·钦诺夫 , 帕斯卡·科尔斯克 , 克里斯蒂安·梅斯克 , 斯特凡·施蒂格利茨 , 海克·特劳特曼 :
通过社交媒体分析在推特通信中发现话题概述。 氨顺式 2015 【c3】 帕斯卡·科尔斯克 , 迈克·普劳斯 , 西蒙·维辛 , 海克·特劳特曼 :
通过勘探景观分析探测漏斗结构。 GECCO公司 2015 : 265-272 【c2】 路易斯·马蒂 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 , 海克·特劳特曼 , 居恩特·鲁道夫 :
基于多目标分布估计算法的Pareto前沿平均Hausdorff逼近。 GECCO(同伴) 2015 : 1427-1428 【c1】 拉尔斯·科特霍夫 , 帕斯卡·科尔斯克 , 霍尔格·H·胡斯 , 海克·特劳特曼 :
使用Per-Instance算法选择改进不精确TSP求解的最新技术。 狮子 2015 : 202-217 [i2] 路易斯·马蒂 , 克里斯蒂安·格里姆 , 帕斯卡·科尔斯克 , 海克·特劳特曼 , 居恩特·鲁道夫 :
基于多目标分布估计算法的Pareto前沿平均Hausdorff逼近。 CoRR公司 abs/1503.07845 ( 2015 ) [i1] 伯恩德·比施尔 , 帕斯卡·科尔斯克 , 拉尔斯·科特霍夫 , 马吕斯·林道尔 , 尤里·马利茨基 , 亚历山大·弗雷谢特 , 霍尔格·H·胡斯 , 弗兰克·赫特 , 凯文·莱顿-布朗 , 凯文·提尔尼 , 华金·范肖伦 :
ASlib:算法选择的基准库。 CoRR公司 abs/1506.02465 ( 2015 )
合著者索引
![](https://dblp.org/img/cog.dark.24x24.png)