×

机器学习启发式算法以提高约束满足度。 (英语) Zbl 1105.68424

Bazzan,Ana L.C.(ed.)等人,《人工智能进展——SBIA 2004》,第17届巴西人工智能研讨会,巴西马拉尼昂圣路易斯,2004年9月29日至10月1日,会议记录。柏林:斯普林格出版社(ISBN 3-540-23237-0/pbk)。计算机科学讲义3171。人工智能讲义,103-113(2004)。
摘要:尽管传播技术对于解决约束求解问题非常重要,但启发式仍然是有效处理非平凡问题的必要手段。一般原则可以为这种启发式方法定义(例如,首次失败和最佳承诺),但在实施过程中会出现一些问题,除了一些有限的信息来源(例如变量基数域)。由于很难理解它们之间的交互作用以及集成它们的方便方式,其他可能相关的特性被忽略了。在这篇文章中,我们在一个特定的问题中说明了这样的困难,即从核磁共振(NMR)数据确定蛋白质结构。我们证明机器学习技术可以用来定义比基于单一特征的启发式方法更好的启发式,甚至比简单形式的组合(例如多数投票)更好。该技术非常通用,经过必要的调整,可以应用于许多其他约束满足问题。
整个系列请参见[Zbl 1058.68003].

理学硕士:

68吨20 人工智能环境下的问题解决(启发式、搜索策略等)
68T05型 人工智能中的学习与自适应系统

软件:

PSICO公司
PDF格式 BibTeX公司 XML 引用
全文: 内政部