玛丽亚姆·卡里米·马马汗;默罕默德·穆罕默德;帕特里克·梅耶;卡里米·马马汗(Karimi-Mamaghan)、阿米尔·穆罕默德(Amir Mohammad);El-Ghazali塔尔比 为解决组合优化问题的元神经服务的机器学习:最新技术。 (英语) Zbl 1490.90250号 欧洲药典。物件。 296,第2号,393-422(2022). 摘要:近年来,将机器学习技术集成到元神经系统中以解决组合优化问题的研究兴趣日益浓厚。这种集成旨在引导元神经系统实现高效、有效和稳健的搜索,并提高其在解决方案质量、收敛速度和鲁棒性方面的性能。由于已经开发了不同目的的各种集成方法,因此有必要回顾使用机器学习技术改进元神经系统的最新进展。据我们所知,文献缺乏全面而技术性的综述。为了填补这一空白,本文对机器学习技术在元神经系统不同要素设计中的应用进行了综述,目的包括算法选择、适应度评估、初始化、进化、参数设置,以及合作首先,我们描述了每种集成方式的关键概念和准备工作。然后,基于提出的统一分类法,对每种集成方式的最新进展进行了回顾和分类。最后,我们对实现每种集成方式的优势、局限性、要求和挑战进行了技术讨论,并展望了未来的研究方向。 引用于14文件 MSC公司: 90C27型 组合优化 68T05型 人工智能中的学习和自适应系统 90 C59 数学规划中的近似方法和启发式 关键词:启发式算法;机器学习;组合优化问题;最先进的 软件:ParaDisEO公司;ParEGO公司;启发式实验室;PRMLT公司;TSPLIB公司;禁忌搜索 PDF格式BibTeX公司 XML格式引用 \textit{M.Karimi-Mamaghan}等人,《欧洲药典》。第296号决议,第2号,393--422(2022年;Zbl 1490.90250) 全文: 内政部 参考文献: [1] Abdel-Basset,M。;马诺加兰,G。;拉沙德,H。;Zaied,A.N.H.,《二次分配问题的综合评述:变量、混合和应用》,《环境智能与人性化计算杂志》,1-24(2018) [2] 艾哈迈迪,E。;戈登戈林,B。;苏尔,G.A。;Mosadegh,H.,用于作业排序和工具切换问题的2-tsp和新型基于学习的遗传算法的混合方法,应用软计算,65,214-229(2018) [3] Al-Duoli,F。;拉巴迪,G。;塞克,M。;Handley,H.A.,《将元映射与机器学习算法相结合》,2018年ieee技术和工程管理会议(TEMSCON),1-6(2018),ieee [4] Alba,E.,《并行元启发式:一类新算法》,47(2005),John Wiley&Sons·邮编1094.90052 [5] Aleti,A.,《控制进化算法参数的自适应方法》,Swinburne科技大学(2012) [6] 阿莱蒂,A。;Moser,I.,进化算法的基于熵的自适应范围参数控制,第15届遗传和进化计算年会论文集,1501-1508(2013) [7] Aleti,A。;Moser,I.,进化算法自适应参数控制方法的系统文献综述,ACM计算调查(CSUR),49,3,1-35(2016) [8] Aleti,A。;莫瑟,I。;Meedeniya,I。;Grunske,L.,为预测参数控制选择合适的预测模型,进化计算,22,2,319-349(2014) [9] Aleti,A。;莫瑟,I。;Mostaghim,S.,自适应范围参数控制,2012年IEEE进化计算大会,1-8(2012),IEEE [10] 阿里,I.M。;Essam,D。;Kasmarik,K.,使用进化算法解决旅行推销员问题的K-means聚类和交叉算子的新设计,第十一届国际计算智能联合会议论文集,123-130(2019) [11] 阿里,I.M。;Essam,D。;Kasmarik,K.,解决离散旅行商问题的差分进化新设计,群与进化计算,52,100607(2020) [12] Alipour,M.M。;Razavi,S.N。;Derakhshi,M.R.F。;Balafar,M.A.,使用遗传算法和多智能体强化学习启发式的混合算法来解决旅行推销员问题,神经计算与应用,30,9,2935-2951(2018) [13] Allahverdi,A.,《关于设置时间/成本调度问题的第三次综合调查》,《欧洲运筹学杂志》,246,2,345-378(2015)·Zbl 1347.90031号 [14] 安德烈,L。;Parpinelli,R.S.,应用于多背包问题的自适应参数二进制微分进化,墨西哥人工智能国际会议,61-71(2014),Springer [15] 安吉尔·E。;Zissimopoulos,V.,《关于元启发式二次分配问题的困难》,《启发式杂志》,8,4,399-414(2002) [16] 阿姆斯特朗,W。;Christen,P。;McCreath,E。;Rendell,A.P.,使用强化学习的动态算法选择,2006年人工智能与数据挖掘集成国际研讨会,18-25(2006),IEEE [17] 阿诺德,F。;桑塔纳,Í。;Sörensen,K。;Vidal,T.,Pils:通过模式挖掘和注入探索高阶邻域,模式识别,107957(2021) [18] 阿诺德,F。;Sörensen,K.,VRP解决方案的优点是什么?启发式、计算机与运筹学问题特定知识的生成,106280-288(2019)·兹比尔1458.90642 [19] Arora,D。;Agarwal,G.,《flowshop调度问题的元神经方法:综述》,《国际高级运营管理杂志》,8,1,1-16(2016) [20] Atashpaz-Gargari,E。;Lucas,C.,《帝国主义竞争算法:受帝国主义竞争启发的优化算法》,2007年ieee进化计算大会,4661-4667(2007),ieee [21] 奥尔,P。;塞萨·比安奇,N。;Fischer,P.,《多武器盗贼问题的有限时间分析》,机器学习,47,2-3,235-256(2002)·Zbl 1012.68093号 [22] Barbalho,H。;罗塞蒂,I。;Martins,S.L。;Plastino,A.,《掌握路径重新链接的混合数据挖掘》,《计算机与运筹学》,第40、12、3159-3173页(2013年)·Zbl 1348.90631号 [23] Barbucha,D.,车辆路径问题的合作解决方案,Kes agent和多agent系统国际研讨会:技术和应用,180-189(2010),Springer [24] Barbucha,D.,解决车辆路径问题的同步与异步合作方法,计算集体智能国际会议,403-412(2010),Springer [25] Bartz-Beielstein,T。;Zaefferer,M.,基于模型的连续和离散全局优化方法,应用软计算,55,154-167(2017) [26] Beham,A。;阿芬泽勒,M。;Wagner,S.,基于实例的二次分配问题场景算法选择,《遗传和进化计算会议论文集》,1471-1478(2017) [27] Y.本吉奥。;Frejinger,E。;Lodi,A。;帕特尔·R。;Sankaranarayanan,S.,《一种基于学习的算法,用于快速计算随机整数程序的良好原始解》,约束规划、人工智能和运筹学集成国际会议,99-111(2020),Springer·Zbl 07636014号 [28] Y.本吉奥。;Lodi,A。;Prouvost,A.,《组合优化的机器学习:Amethodological tour d’horizon》,《欧洲运筹学杂志》,290,2,405-421(2021)·Zbl 1487.90541号 [29] Benlic,美国。;Epitropakis,M.G。;Burke,E.K.,顶点分隔问题的混合突破局部搜索和强化学习方法,《欧洲运筹学杂志》,261,3,803-818(2017)·Zbl 1403.90631号 [30] Bishop,C.M.,模式识别和机器学习(2006),Springer·Zbl 1107.68072号 [31] 布鲁姆,C。;Roli,A.,组合优化中的元启发式:概述和概念比较,ACM计算调查(CSUR),35,3,268-308(2003) [32] 博斯克,J。;格里姆,C。;梅塞尔,S。;鲁道夫,G。;Trautmann,H.,双目标定向运动中的局部搜索效应,遗传与进化计算会议论文集,585-592(2018) [33] 博斯克,J。;Trautmann,H.,最大化最先进的非精确TSP求解器性能差异的进化实例,学习和智能优化国际会议,48-59(2016),Springer [34] 伯克,E.K。;Gendreau,M。;海德,M。;Kendall,G。;奥乔亚,G。;厄兹坎,E。;Qu,R.,《超神经科学:现状调查》,《运筹学学会杂志》,第64、12、1695-1724页(2013年) [35] 伯克,E.K。;Gendreau,M。;奥乔亚,G。;Walker,J.D.,跨域优化的自适应迭代局部搜索,第13届遗传和进化计算年会论文集,1987-1994(2011) [36] 伯克,E.K。;海德,M.R。;Kendall,G。;奥乔亚,G。;厄兹坎,E。;Woodward,J.R.,《超神经方法的分类:重访》,《元启发式手册》,453-477(2019),施普林格出版社 [37] 伯克,E.K。;彼得罗维奇,S。;Qu,R.,基于案例的时间表问题启发式选择,《调度杂志》,9,2,115-132(2006)·Zbl 1154.90423号 [38] Buzdalova,A。;科诺诺夫,V。;Buzdalov,M.,《使用强化学习选择进化算子:初步探索》,2014年遗传和进化计算年会配套出版物论文集,1033-1036(2014) [39] 卡德纳斯,J.M。;加里多,M.C。;Muñoz,E.,在元启发式的合作混合并行策略中使用机器学习,信息科学,179,19,3255-3267(2009) [40] Cahon,S。;梅勒布,N。;Talbi,E.-G.,Paradiseo:并行和分布式元启发式可重用设计的框架,启发式杂志,10,3,357-380(2004) [41] Calvet,L。;德阿马斯,J。;Masip,D。;Juan,A.A.,《学习启发式:将元启发式与机器学习相结合以实现动态输入优化》,开放数学,15,1,261-280(2017)·兹比尔1359.90156 [42] 卡塞塔,M。;Rico,E.Q.,带设置时间的多项目容量受限批量问题的交叉熵-拉格朗日混合算法,计算机与运筹学,36,2,530-548(2009)·Zbl 1163.90452号 [43] Catteeuw博士。;Drugan,M。;Manderick,B.,“guided”重启爬山。为了寻求强化学习和进化计算之间的协同作用,第13届国际自然并行问题解决大会研讨会。由Madalina M.Drugan和Bernard Manderick编辑。斯洛文尼亚卢布尔雅那,1-4(2014) [44] Chang,Y.C.,《使用k-means聚类提高旅行商问题的蚁群优化效率》,2017年IEEE系统、人与控制论国际会议,379-384(2017),IEEE [45] 陈,R。;杨,B。;李,S。;Wang,S.,基于强化学习的自学习遗传算法在柔性车间调度问题中的应用,计算机与工业工程,149106778(2020) [46] 陈,Y。;Cowling,P.I。;F.A.波拉克。;Mourdjis,P.J.,《路由和调度问题的多臂强盗邻居搜索》,2-32(2016),约克大学 [47] Cheng,C.-Y。;Pourhejazy,P。;Ying,K.-C。;Lin,C.-F.,用于最小化非增值操作的基于无监督学习的人工蜂群,应用软计算,107280(2021) [48] Choong,S.S。;Wong,L.-P。;Lim,C.P.,基于强化学习的超神经症自动设计,信息科学,436,89-107(2018) [49] Choong,S.S。;Wong,L.-P。;Lim,C.P.,针对旅行推销员问题的带有改进选择函数的人工蜂群算法,Swarm and Evolutionary Computation,44,622-635(2019) [50] 朱,X。;蔡,F。;崔,C。;胡,M。;李,L。;Qin,Q.,《基于人群算法的元学习自适应推荐模型》,信息科学,476192-210(2019) [51] 康索利,P。;Yao,X.,针对容量受限电弧布线问题的多样性驱动的多交叉算子选择,欧洲组合优化进化计算会议,97-108(2014),Springer [52] 科恩·D·。;Dhanens,C。;Jourdan,L.,《运筹学与数据挖掘之间的协同作用:多目标方法的新兴应用》,《欧洲运筹学杂志》,第221、3、469-479页(2012年)·Zbl 1253.90002号 [53] 科塔,C。;Talbi,E。;Alba,E.,并行混合元启发式,并行元启发式:一类新算法,47347(2005)·Zbl 1137.90724号 [54] 丹塔斯,A。;Pozo,A.,关于在二次分配问题的基于元学习的算法选择中使用适应度景观特征,理论计算机科学,805,62-75(2020)·Zbl 1436.68324号 [55] Dantas,A.L。;Pozo,A.T.R.,二次分配问题的元学习算法选择方法,2018 IEEE进化计算大会(CEC),1-8(2018),IEEE [56] F.C.德利马。;De Melo,J.D。;Neto,A.D.D.,在抓取和反应性抓取元启发式的构造阶段使用q学习算法,2008年ieee神经网络国际联合会议(ieee计算智能世界大会),4169-4176(2008),ieee [57] 脱脂,H。;Bischl,B。;Kotthoff,L。;De Causmaecker,P.,《自动在线算法选择的强化学习——一项实证研究》,ITAT 2016年会议记录,1649,93-101(2016) [58] 脱脂,H。;González-Velarde,J.L。;De Causmaecker,P.,《应用算法选择——广义指派问题的案例研究》,《离散数学中的电子笔记》,69,205-212(2018) [59] 邓,Y。;刘,Y。;周,D.,对称TSP的改进遗传算法与初始种群策略,工程数学问题,2015,1-6(2015) [60] Dhanens,C。;Jourdan,L.,《大数据的元启发式》(2016),威利在线图书馆 [61] Di Tollo,G。;Lardeux,F。;马图拉纳,J。;Saubion,F.,进化算法自适应控制的实验研究,应用软计算,35,359-372(2015) [62] Díaz-Manríquez,A。;托斯卡诺,G。;Coello,C.A.C.,进化算法中元建模技术的比较,软计算,21,19,5647-5663(2017) [63] 俄亥俄州迪亚斯·帕拉。;Ruiz-Vanoye,J.A。;Zavala-Díaz,J.C.,用于生成非随机初始种群以解决带时间窗的车辆路径问题的种群预选算子,科学研究与论文,5,22,3529-3537(2010) [64] Dobslaw,F.,基于实验设计和人工神经网络的元启发式参数调整框架,计算机数学和自然计算国际会议,1-4(2010),WASET [65] 多曼斯基,P.A。;Yashar,D。;考夫曼,K.A。;Michalski,R.S.,《使用可学习进化模型对翅片管蒸发器进行优化设计》,Hvac&R Research,10,2,201-211(2004) [66] 多里戈,M。;Blum,C.,《蚁群优化理论:综述》,《理论计算机科学》,344,2-3,243-278(2005)·Zbl 1154.90626号 [67] Drake,J.H。;Kheiri,A。;Özcan,E.公司。;Burke,E.K.,《选择超神经科学的最新进展》,《欧洲运筹学杂志》,285,2,405-428(2019)·Zbl 1441.90183号 [68] Dueck,G.,《新的优化启发式:大洪水算法和记录到记录的旅行》,计算物理学杂志,104,1,86-92(1993)·Zbl 0773.65042号 [69] 阿拉巴马州艾本。E.公司。;辛特丁,R。;Michalewicz,Z.,进化算法中的参数控制,IEEE进化计算汇刊,3,2,124-141(1999) [70] Emrouznejad,A.,《大数据优化:最新发展和挑战》,18(2016),施普林格出版社·Zbl 1384.90003号 [71] Fairee,S。;Khompatraporn,C。;Prom-on,S。;Sirinaovakul,B.,针对旅行推销员问题的组合人工蜂群优化与强化学习更新,2019年第16届电气工程/电子、计算机、电信和信息技术国际会议(ect-con),93-96(2019),IEEE [72] Feo,T.A。;Resende,M.G.,贪婪随机自适应搜索程序,全球优化杂志,6,2,109-133(1995)·Zbl 0822.90110号 [73] 阿拉巴马州菲亚略。,自适应优化算子选择(2010年),巴黎南大学-巴黎十一大学博士论文。 [74] 阿拉巴马州菲亚略。;Da Costa,L。;Schoenauer,M。;Sebag,M.,基于极值的自适应算子选择,自然并行问题解决国际会议,175-184(2008),Springer [75] 弗朗西丝卡,G。;佩莱格里尼,P。;Stützle,T。;Birattari,M.,《离线和在线调谐:用于qap的模因算法的算子选择研究》,欧洲组合优化进化计算会议,203-214(2011),Springer [76] Gagliolo,M。;Schmidhuber,J.,《作为具有无限损失的强盗问题的算法选择》,学习与智能优化国际会议,82-96(2010),Springer [77] 甘贝拉,C。;B.加达。;Naoum-Sawaya,J.,《机器学习的优化问题:一项调查》,《欧洲运筹学杂志》(2020年) [78] 高,S。;Wang,Y。;Cheng,J。;Inazumi,Y。;Tang,Z.,解决动态位置路由问题的聚类蚁群优化,应用数学与计算,285149-173(2016)·Zbl 1410.90117号 [79] Geem,Z.W。;Kim,J.H。;Loganathan,G.V.,《一种新的启发式优化算法:和谐搜索,模拟》,76,2,60-68(2001) [80] 《元启发式手册》(Gendreau,M.;Potvin,J.-Y.(2010),Springer US)·Zbl 1198.90002号 [81] 手套,F。;Laguna,M.,Tabu search,组合优化手册,2093-2229(1998),施普林格 [82] Gocken,T。;Yaktubay,M.,通过遗传算法比较VRPTW的不同聚类算法,国际仿真建模杂志,18,4,574-585(2019) [83] González Juarez博士。;Andrés-Pérez,E.,《初始先验训练数据集大小对基于代理的进化优化的效率和收敛性影响的研究》,《设计优化和控制的进化和确定性方法及其在工业和社会问题中的应用》,181-194(2019),Springer [84] Gretsista,A。;Burke,E.K.,护士名册的自适应算子选择迭代局部搜索框架,国际学习与智能优化会议,93-108(2017),施普林格 [85] Gunawan,A。;Lau,H.C。;Lu,K.,采用:结合参数调整和自适应算子排序解决一类定向运动问题,计算机与工业工程,121,82-96(2018) [86] 古铁雷斯-罗德里格斯,A.E。;Conant-Pablos,S.E。;Ortiz-Bayliss,J.C。;Terashima-Marín,H.,通过元学习选择元神经来解决带时间窗的车辆路径问题,应用专家系统,118,470-481(2019) [87] Haghhii,M.M.S。;Zahedi,M.H。;Ghazizadeh,M.,解决异构车辆路径问题(pcgvrp)的基于多层次优先级聚类遗传算法,计算机科学与工程的创新与进步,331-335(2010),Springer [88] Handoko,S.D。;Nguyen,D.T。;袁,Z。;Lau,H.C.,模因搜索中自适应算子选择的强化学习应用于二次分配问题,2014年遗传和进化计算年会论文集,193-194(2014) [89] Hao,J.-h。;Liu,M.,《结合差分进化的代理建模方法用于解决瓶颈阶段调度问题》,2014年世界自动化大会(WAC),120-124(2014),IEEE [90] Hao,J.-h。;刘,M。;林俊华。;Wu,C.,基于代理建模的调度瓶颈阶段混合差分进化方法,计算机与运筹学,66,215-224(2016)·Zbl 1349.90350号 [91] Hassanat,A.B。;普拉萨特,V。;阿巴迪,医学硕士。;Abu-Qdari,S.A。;Faris,H.,基于回归技术的新初始化机制的改进遗传算法,Information,9,7,167(2018) [92] van Hemert,J.I.,难以解决的进化组合问题实例,进化计算,14,4,433-462(2006) [93] 赫兹,A。;de Werra,D.,《禁忌搜索元启发式:我们如何使用它》,《数学与人工智能年鉴》,1,1-4,111-121(1990)·Zbl 0878.68053号 [94] Holland,J.H.,《自然和人工系统的适应:生物学、控制和人工智能应用的介绍性分析》(1992年),麻省理工学院出版社 [95] Hong,T.-P。;王海生。;Lin,W.-Y。;Lee,W.-Y.,遗传过程中适当交叉和变异算子的进化,应用智能,16,1,7-17(2002)·兹比尔1052.68658 [96] Hoos,H.H.,《自动算法配置和参数调整》,《自主搜索》,37-71(2011),施普林格出版社 [97] 胡斯,H.H。;佩特尔,T。;斯利沃夫斯基,F。;Szeider,S.,基于组合的电路QBFS算法选择,约束编程原理与实践国际会议,195-209(2018),Springer [98] 霍恩,S.-C。;Lin,S.-Y。;Lee,L.H.等人。;Chen,C.-H.,实时组合随机模拟优化问题的Memetic算法及性能分析,IEEE控制论汇刊,43,5,1495-1509(2013) [99] 黄,C。;李,Y。;Yao,X.,元启发式自动参数调整方法综述,IEEE进化计算汇刊,24,2,201-216(2019) [100] 赫特,F。;Y.哈马迪。;胡斯,H.H。;Leyton-Brown,K.,随机和参数算法的性能预测和自动调整,约束编程原理和实践国际会议,213-228(2006),Springer·Zbl 1160.68551号 [101] Jin,Y.,进化计算中适应度近似的综合研究,软计算,9,1,3-12(2005)·Zbl 1059.68089号 [102] Jin,Y.,《代理辅助进化计算:最新进展和未来挑战》,Swarm和进化计算,1,2,61-70(2011) [103] Jin,Y。;Sendhoff,B.,使用聚类技术和神经网络集成减少适应度评估,遗传和进化计算会议,688-699(2004),Springer [104] 约翰逊,D.S。;Papadimitriou,C.H。;Yannakakis,M.,本地搜索有多容易?,《计算机与系统科学杂志》,37,1,79-100(1988)·Zbl 0655.68074号 [105] Jourdan,L。;科恩·D·。;Savic,D。;Walters,G.,更快/更好的多目标水系统设计的“可学习进化模型”初步研究,进化多标准优化国际会议,841-855(2005),Springer·Zbl 1109.68612号 [106] Jourdan,L。;Dhanens,C。;Talbi,E.-G.,《使用数据挖掘技术帮助元启发式:一项简短调查》,混合元启发式国际研讨会,57-69(2006),Springer [107] Jung,D。;Kang,D。;Kim,J.H.,《配水系统设计混合和谐搜索的开发》,KSCE土木工程杂志,22,4,1506-1514(2018) [108] 卡迪奥格鲁,S。;Malitsky,Y。;Sabharwal,A。;萨穆洛维茨,H。;Sellmann,M.,算法选择和调度,约束编程原理和实践国际会议,454-469(2011),Springer [109] 神田,J。;卡瓦略,A。;赫鲁晓卡,E。;Soares,C.,使用元学习解决旅行推销员问题的算法选择1,混合智能系统国际期刊,8,3,117-128(2011) [110] 神田,J。;de Carvalho,A。;赫鲁什卡,E。;苏亚雷斯,C。;Braddil,P.,Meta-learning to select the best Meta-euristic for the travel saller problem:A comparison of Meta-features,Neurocomputing,205,393-406(2016),元学习为旅行推销员问题选择最佳元神经:元特征的比较,神经计算,205393-406 [111] 堪萨斯州。;苏亚雷斯,C。;赫鲁晓卡,E。;De Carvalho,A.,使用基于MLP的标签排序为旅行推销员问题选择元启发式的元学习方法,国际神经信息处理会议,488-495(2012),施普林格 [112] 神田,J.Y。;德卡瓦略,公元前。;赫鲁晓卡,E.R。;Soares,C.,《使用元学习为旅行推销员问题推荐元神经科学》,2011年第十届机器学习和应用国际会议及研讨会,1346-351(2011),IEEE [113] 卡拉博加,D.,基于蜜蜂群的数值优化思想,技术报告(2005),Citeser [114] 卡拉弗提亚斯,G。;Hoogendoorn,M。;阿拉巴马州艾本。E.,进化算法中的参数控制:趋势和挑战,IEEE进化计算汇刊,19,2,167-187(2014) [115] Karimi-Mamaghan,M。;穆罕默德(M.Mohammadi)。;朱拉,P。;Pirayesh,A。;Ahmadi,H.,《不确定性下多目标敏捷检验规划模型的基于学习的元启发式方法》,《欧洲运筹学杂志》,285,2,513-537(2020)·Zbl 1441.90052号 [116] Karimi-Mamaghan,M。;穆罕默德(M.Mohammadi)。;Pirayesh,A。;Karimi-Mamaghan,A.M。;Irani,H.,《拥挤条件下的集散网络设计:基于学习的元启发式》,运输研究第E部分:物流与运输评论,142102069(2020) [117] 考夫曼,K.A。;Michalski,R.S.,将可学习进化模型应用于换热器设计,AAAI/IAAI,1014-1019(2000) [118] Kennedy,J.,《群体智能》,《自然灵感和创新计算手册》,187-219(2006),斯普林格出版社 [119] 科尔斯克,P。;胡斯,H.H。;Neumann,F。;Trautmann,H.,《自动算法选择:调查与展望》,《进化计算》,第27、1、3-45页(2019年) [120] Khalil,E。;戴,H。;张,Y。;Dilkina,B。;Song,L.,学习图上的组合优化算法,神经信息处理系统的进展,6348-6358(2017) [121] Kiranyaz,S。;因斯,T。;Gabbouj,M.,机器学习和模式识别的多维粒子群优化(2014),施普林格-柏林-海德堡 [122] 柯克帕特里克,S。;盖拉特,C.D。;Vecchi,M.P.,《模拟退火优化》,《科学》,220,4598,671-680(1983)·Zbl 1225.90162号 [123] Knowles,J.,Parego:一种用于昂贵多目标优化问题的在线横向近似混合算法,IEEE进化计算汇刊,10,1,50-66(2006) [124] 科奇,圣彼得堡。;贝克塔什,T。;O.贾巴利。;Laporte,G.,《异质车辆路径三十年》,《欧洲运筹学杂志》,249,1,1-21(2016)·兹比尔1346.90140 [125] Korte,B。;维根,J。;科特,B。;Vygen,J.,组合优化,2(2012),Springer·Zbl 1237.90001号 [126] Kotthoff,L.,组合搜索问题的算法选择:一项调查,AI杂志,35,3,48-60(2014) [127] Kotthoff,L.,组合搜索问题的算法选择:调查,数据挖掘和约束编程,149-190(2016),Springer·Zbl 1461.68218号 [128] Le Bouthillier,A。;Crainic,T.G。;Kropf,P.,带时间窗的车辆路径问题的引导式合作搜索,IEEE智能系统,20,4,36-42(2005) [129] 德莱昂,公元。;拉拉·鲁伊斯(Lalla-Ruiz),E。;梅利安·巴蒂斯塔,B。;Moreno-Vega,J.M.,基于机器学习的散货码头泊位调度系统,应用专家系统,87,170-182(2017) [130] 德莱昂,公元。;拉拉·鲁伊斯(Lalla-Ruiz),E。;梅利安·巴蒂斯塔,B。;Moreno-Vega,J.M.,解决物流优化问题的基于元学习的系统,计算机辅助系统理论国际会议,339-346(2017),Springer [131] 莱斯曼,S。;卡塞塔,M。;Arango,I.M.,《调整元启发式:基于数据挖掘的粒子群优化方法》,《应用专家系统》,38,10,12826-12838(2011) [132] 李,C。;朱,X。;陈,Y。;Xing,L.,用于初始化遗传算法的基于知识的技术,《智能与模糊系统杂志》,31,2,1145-1152(2016) [133] Li,J.等人。;帕尔达洛斯,P.M。;Sun,H。;裴,J。;Zhang,Y.,同时交货和提货的多站点车辆路径问题的迭代局部搜索嵌入自适应邻域选择方法,应用专家系统,42,7,3551-3561(2015) [134] 李凯。;Tian,H.,一种用于收费车辆路径问题的两级自适应可变邻域搜索算法,应用软计算,43,469-479(2016) [135] 李,X。;Olafsson,S.,《使用数据挖掘发现调度规则》,《调度杂志》,8,6,515-527(2005)·Zbl 1123.90031号 [136] Liao,X.-L。;Ting,C.-K.,使用自适应变异解决选择性拾取和传递问题的进化算法,2012年IEEE进化计算大会,1-8(2012),IEEE [137] 小德利马,F.C。;德梅洛,J.D。;Neto,A.D.D.,使用q学习算法初始化掌握元启发式和遗传算法,2007年神经网络国际联合会议,1243-1248(2007),IEEE [138] Lodi,A。;莫西纳,L。;Rachelson,E.,《学习处理组合优化中的参数扰动:设施选址应用》,《欧洲运输与物流杂志》,100023(2020) [139] López Jaimes,A。;科埃洛·科埃洛,C.A。;Chakraborty,D.,使用特征选择技术的目标简化,第十届遗传和进化计算年会论文集,673-680(2008) [140] 洛佩斯·桑塔纳,E。;Rodríguez-Vásquez,W。;Méndez-Giraldo,G.,《快递服务调度和路由问题的混合专家系统、聚类和蚁群优化方法》,《国际工业工程计算杂志》,9,3,369-396(2018) [141] 洛希洛夫,I。;Schoenauer,M。;Sebag,M.,多目标优化的单代理,第十二届遗传和进化计算年会论文集,471-478(2010) [142] 北洛菲。;Acan,A.,《基于竞赛的用于实际参数优化的竞争合作多智能体体系结构》,《软计算》,20,11,4597-4617(2016) [143] 路易斯·S·J。;McDonnell,J.,用案例注入遗传算法学习,IEEE进化计算汇刊,8,4,316-328(2004) [144] Lourenço,H.R。;O.C.马丁。;Stützle,T.,迭代局部搜索,元启发式手册,320-353(2003),Springer·Zbl 1116.90412号 [145] 卢,H。;张,X。;Yang,S.,解决车辆路径问题的基于学习的迭代方法,学习表示国际会议(2019年) [146] 卢卡斯,F。;比洛特,R。;Sevaux,M。;Sörensen,K.,使用机器学习工具减少组合优化中的空间搜索,学习和智能优化国际会议,143-150(2020),Springer [147] Lughofer,E.,《在线主动学习:提高数据流建模方法实用性的新范式》,《信息科学》,415356-376(2017) [148] 马丁·S。;Ouelhadj,D。;Beullens,P。;Ozcan,E.,《使用模式匹配和强化学习进行合作搜索的基于代理的通用框架》,《技术报告》(2011年) [149] 马丁·S。;Ouelhadj,D。;Beullens,P。;Ozcan,E。;Juan,A.A。;Burke,E.K.,《基于多代理的调度和路由合作方法》,《欧洲运筹学杂志》,254,1,169-178(2016)·Zbl 1346.90371号 [150] 马图拉纳,J。;Fialho,A。;沙特,F。;Schoenauer,M。;Lardeux,F。;Sebag,M.,进化算法中的自适应算子选择和管理,自主搜索,161-189(2011),Springer [151] 马图拉纳,J。;阿拉巴马州菲亚略。;沙特,F。;Schoenauer先生。;Sebag,M.,《用于自适应操作员选择的极端指南针和动态多臂强盗》,2009年进化计算ieee大会,365-372(2009),ieee [152] 马图拉纳,J。;Riff,M.-C.,通过自适应进化方法解决短期发电调度问题,《欧洲运筹学杂志》,179,3677-691(2007)·Zbl 1144.90389号 [153] 马图拉纳,J。;Saubion,F.,遗传算法指南,国际自然并行问题解决会议,256-265(2008),施普林格 [154] 梅格南,D。;克雷普特,J.-C。;Koukam,A.,车辆路径问题的基于联盟的元启发式算法,2008年IEEE进化计算大会(IEEE计算智能世界大会),1176-1182(2008),IEEE [155] 梅格南,D。;克雷普特,J.-C。;Koukam,A.,设施选址问题的合作和自适应元启发式,第11届遗传和进化计算年会论文集,317-324(2009) [156] 梅格南,D。;Koukam,A。;Créput,J.-C.,《基于联合的元启发式:使用强化学习和模仿的自适应元启发式》,《启发式杂志》,16,6,859-879(2010)·Zbl 1198.90412号 [157] O.默斯曼。;Bischl,B。;Trautmann,H。;瓦格纳,M。;博斯克,J。;Neumann,F.,《基于特征的旅行推销员问题算法性能表征新方法》,《数学与人工智能年鉴》,69,2,151-182(2013)·Zbl 1291.90327号 [158] 梅赛利斯,T。;De Causmaecker,P.,多模式资源约束项目调度问题的自动算法选择方法,《欧洲运筹学杂志》,233,3,511-528(2014)·Zbl 1339.90143号 [159] 北卡罗来纳州大都会。;罗森布鲁斯,A.W。;Rosenbluth,M.N。;出纳员,A.H。;Teller,E.,用快速计算机器计算状态方程,化学物理杂志,21,6,1087-1092(1953)·Zbl 1431.65006号 [160] Michalski,R.S.,《可学习进化模型:机器学习指导的进化过程》,机器学习,38,1-2,9-40(2000)·Zbl 0960.68602号 [161] Miki,S。;山本,D。;Ebara,H.,《将深度学习和强化学习应用于旅行推销员问题》,2018年计算、电子和通信工程国际会议(ICCECE),65-70(2018),IEEE [162] Min,J。;Jin,C。;Lu,L.,分交车辆路径问题的最大最小距离聚类方法:案例研究和性能比较。,《生产工程与管理进展》,14,1125-135(2019) [163] 米兰达,E.S。;Fabris,F。;Nascimento,C.G。;弗雷塔斯,A.A。;Oliveira,A.C.,为maxsat问题推荐元启发式的元学习,2018年第七届巴西智能系统会议(BRACIS),169-174(2018),IEEE [164] Mladenović,N。;Hansen,P.,可变邻域搜索,计算机与运筹学,24,11,1097-1100(1997)·Zbl 0889.90119号 [165] 穆罕默德(M.Mohammadi)。;朱拉,P。;Tavakkoli-Moghaddam,R.,《具有中断的可靠单一分配枢纽位置问题》,运输研究第E部分:物流与运输评论,123,90-120(2019) [166] 穆罕默德(M.Mohammadi)。;塔瓦科利·莫哈达姆,R。;Siadat,A。;Dantan,J.-Y.,《不确定性下枢纽中断的可靠物流网络设计》,应用数学建模,40,9-10,5621-5642(2016)·Zbl 1465.90009 [167] Moradi,B.,使用多目标离散可学习进化模型求解带时间窗的车辆路径问题的新优化算法,软计算,1-29(2019) [168] Moraglio,A。;Kim,Y.-H。;Yoon,Y.,基于置换问题的几何替代优化,第13届遗传和进化计算年会论文集,133-134(2011) [169] Mosadegh,H。;Ghomi,S.F。;Süer,G.,《随机混合模型装配线排序问题:数学建模和基于q学习的模拟退火超神经网络》,《欧洲运筹学杂志》,282,2,530-544(2020)·Zbl 1430.90300号 [170] Moscato,P.,《进化、搜索、优化、遗传算法和武术:迈向模因算法》,加州理工学院并发计算程序,C3P报告(1989) [171] 莫斯塔菲,T。;Khiyabani,F.M。;Navimipour,N.J.,《解决图形着色问题的元神经方法的系统研究》,《计算机与运筹学研究》,120,104850(2020)·Zbl 1458.90617号 [172] Nasiri,M.M。;Salesi,S。;Rahbari,A。;新南威尔士州迈达尼。;Abdollai,M.,基于人口的方法的数据挖掘方法,用于解决JSSP,软计算,23,21,11107-11122(2019) [173] Nguyen,S。;张,M。;约翰斯顿,M。;Tan,K.C.,用于车间调度的替代辅助遗传编程中的选择方案,模拟进化和学习亚洲委员会会议,656-667(2014),Springer [174] 奥乔亚,G。;Burke,E.K.,Hyperils:用于组合优化的有效迭代局部搜索超神经网络,自动时间表实践和理论国际会议,(8月),26-29(2014) [175] Oliveira,A.L。;布拉加,P.L。;利马,R.M。;Cornélio,M.L.,用于软件工作量估算、信息和软件技术的机器学习回归的基于Ga的特征选择和参数优化方法,52,11,1155-1166(2010) [176] 奥斯曼,I.H。;拉波特,G.,《元启发式:参考书目》,《运筹学年鉴》,63,5511-623(1996)·Zbl 0849.90097号 [177] Ùztop,H。;Tasgetiren,M.F。;坎迪勒。;Pan,Q.-K.,通过Q学习的新型广义变量邻域搜索用于无空闲flowshop调度,2020年ieee进化计算大会(CEC),1-8(2020),ieee [178] Page,E.S.,《连续检查计划》,《生物特征》,41,1/2,100-115(1954)·兹比尔0056.38002 [179] Park,J。;Kim,K.-Y.,使用广义回归神经网络和粒子群优化的元建模,应用软件计算,51,354-369(2017) [180] 巴沙克,B.K。;Srivastava,S。;Srivastava,K.,用于解决项目调度非线性时间-成本权衡问题的神经网络嵌入多目标遗传算法,科学与工业研究杂志,67,2,124-131(2008) [181] Pavelski,L。;德尔加多,M。;Kessaci,M.-E.,《用于优化的元学习:使用决策树的flowshop问题的案例研究》,2018年IEEE进化计算大会(CEC),1-8(2018),IEEE [182] Pavelski,L.M。;凯萨奇医学博士。;Delgado,M.R.,通过元学习为flowshop问题推荐元神经和配置:分析和设计,2018年第七届巴西智能系统会议(BRACIS),163-168(2018),IEEE [183] 佩拉马蒂,J。;布雷瓦库,L。;Balesdent,M。;塔尔比,E.-G。;Guerin,Y.,基于高斯过程的混合连续变量和离散变量替代模型的概述和比较:在航空航天设计问题中的应用,基于高性能仿真的优化,189-224(2020),Springer [184] 彭,B。;张,Y。;Gajpal,Y。;Chen,X.,绿色车辆路径问题的模因算法,可持续发展,11,21,6055(2019) [185] Pettinger,J.E。;Everson,R.M.,用强化学习控制遗传算法,第四届遗传和进化计算年会论文集,692(2002) [186] Phan,H.D。;Ellis,K。;巴卡,J.C。;Dorin,A.,《自然启发群智能算法的动态参数设置方法综述》,神经计算与应用,1-22(2019) [187] Pitzer,E。;Beham,A。;Affenzeller,M.,使用适应度景观分析的二次分配问题的自动算法选择,组合优化中的进化计算欧洲会议,109-120(2013),Springer [188] Qasem,S.N。;Shamsuddin,S.M。;哈希姆,S.Z.M。;Darus,M。;Al-Shammari,E.,用于分类问题的基于Memetic多目标粒子群优化的径向基函数网络,信息科学,239165-190(2013) [189] Rahnamayan,S。;Tizhoosh,H.R。;Salama,M.M.,基于对立的差分进化,IEEE进化计算汇刊,12,1,64-79(2008) [190] 拉莫斯,I.C。;Goldbarg,M.C。;Goldbarg,E.G。;Neto,A.D.D.,进化算法参数调整的逻辑回归,2005年IEEE进化计算大会,21061-1068(2005),IEEE [191] Reinelt,G.,Tsplib’a旅行推销员问题库,ORSA计算杂志,3,4,376-384(1991)·Zbl 0775.90293号 [192] 里贝罗,M.H。;Plastino,A。;Martins,S.L.,掌握元启发式与数据挖掘技术的混合,数学建模与算法杂志,5,1,23-41(2006)·Zbl 1099.68741号 [193] Rice,J.R.,算法选择问题,计算机进展,15,65-118,5(1976) [194] de la Rosa-Rivera,F。;Nunez-Varela,J.I。;Ortiz-Bayliss,J.C。;Terashima-Marín,H.,解决教育时间表问题的算法选择,应用专家系统,174114694(2021) [195] Sadeg,S。;Hamdad,L。;Haouas,M。;Abderrahmane,K。;Benatchba,K。;Habbas,Z.,无监督学习蜂群优化元启发式,人工神经网络国际工作会议,773-784(2019),Springer [196] Sadeg,S。;Hamdad,L。;O.卡达。;Benatchba,K。;Habbas,Z.,为maxsat问题选择最佳元启发式的元学习,复杂系统建模和实现国际研讨会,122-135(2020),Springer [197] 樱井,Y。;高田,K。;川贝,T。;Tsuruta,S.,《使用强化学习控制进化算法参数的方法》,2010年第六届信号图像技术和基于互联网的系统国际会议,74-79(2010),IEEE [198] 樱井,Y。;Tsuruta,S.,《强化学习控制遗传算法的人群奖励》,2012年第八届信号图像技术和互联网系统国际会议,686-691(2012),IEEE [199] Santos,H.G。;Ochi,L.S。;马里奥·E·H。;Drummond,L.M.d.A.,将进化算法与数据挖掘相结合以解决单车路径问题,神经计算,70,1-3,70-77(2006) [200] 多斯桑托斯,J.P.Q。;de Lima Jünior,F.C。;Magalhães,R.M。;德梅洛,J.D。;Neto,A.D.D.,使用遗传算法的并行混合实现,针对推销员旅行问题的掌握和强化学习,昂贵优化问题中的计算智能,345-369(2010),Springer [201] 多斯桑托斯,J.P.Q。;德梅洛,J.D。;Neto,A.D.D。;Aloise,D.,使用强化学习、局部搜索算法和可变邻域搜索的反应式搜索策略,应用专家系统,41,10,4939-4949(2014) [202] Saxena,D.K。;杜罗,J.A。;蒂瓦里,A。;Deb,K。;Zhang,Q.,《多目标优化中的目标约简:线性和非线性算法》,IEEE Transactions on Evolutional Computation,17,1,77-99(2012) [203] 塞格雷多,E。;Paechter,B。;哈特,E。;González-Vila,C.I.,用于频率分配问题的基于多样性的多目标模因算法的混合参数控制方法,2016年IEEE进化计算大会(CEC),1517-1524(2016),IEEE [204] Sghir,I。;Hao,J.-K。;贾法尔,I.B。;Ghédira,K.,应用于二次分配问题的基于多智能体的优化方法,应用专家系统,42,23,9252-9262(2015) [205] Sghir,I。;贾法尔,I.B。;Ghédira,K.,一种基于多智能体的组合优化方法,《国际人工智能工具杂志》,27,05,1850021(2018) [206] Shaw,P.,使用约束规划和局部搜索方法解决车辆路径问题,约束规划原理和实践国际会议,417-431(1998),Springer [207] Shi,L。;Rasheed,K.,进化算法中应用的适应度近似方法调查,昂贵优化问题中的计算智能,3-28(2010),Springer [208] 达席尔瓦,A.M.L。;Freire,M.R。;Honório,L.M.,通过自适应多操作员进化算法优化输电扩展规划,电力系统研究,133,173-181(2016) [209] Silva,M.A.L。;de Souza,S.R。;Souza,M.J.F。;Bazzan,A.L.C.,用于解决路由和调度问题的基于强化学习的多代理框架,应用专家系统,131148-171(2019) [210] Silva,M.A.L。;de Souza,S.R。;Souza,M.J.F。;de Franca Filho,M.F.,《用于解决优化问题的混合元启发式和多智能体系统:框架综述和比较分析》,应用软计算,71,433-459(2018) [211] Silva,M.A.L。;de Souza,S.R。;苏扎,M.J.F。;de Oliveira,S.M.,《合作的多智能体元启发式优化框架》,2015年巴西智能系统会议(BRACIS),104-109(2015),IEEE [212] 香港辛格。;雷,T。;Smith,W.,《约束多目标优化的代理辅助模拟退火(sasa)》,IEEE进化计算大会,1-8(2010),IEEE [213] Smith-Miles,K。;Baatar博士。;Wreford,B。;Lewis,R.,面向跨实例空间的算法性能客观度量,计算机与运筹学,45,12-24(2014)·Zbl 1348.90646号 [214] Smith-Miles,K。;van Hemert,J。;Lim,X.Y.,通过从进化实例中学习来理解TSP困难,学习和智能优化国际会议,266-280(2010),Springer [215] Smith-Miles,K。;Lopes,L.,《测量组合优化问题的实例难度》,计算机与运筹学,39,5,875-889(2012)·Zbl 1251.90339号 [216] Smith-Miles,K.A.,《利用元学习概念进行有见地的优化算法选择》,2008年IEEE神经网络国际联合会议(IEEE计算智能世界大会),4118-4124(2008),IEEE [217] 宋,H。;Triguero,I。;zcan,E.,《机器学习和优化之间的自我和双重交互综述》,《人工智能进展》,第8期,第2期,第143-165页(2019年) [218] Sra,S。;Nowozin,S。;Wright,S.J.,《机器学习优化》(2012),米特出版社 [219] 斯托恩,R。;Price,K.,差分进化——连续空间上全局优化的一种简单有效的启发式算法,《全局优化杂志》,11,4,341-359(1997)·Zbl 0888.90135号 [220] 孙,J。;张,H。;周,A。;张,Q。;Zhang,K.,一种新的基于学习的自适应多目标进化算法,Swarm和进化计算,44304-319(2019) [221] Taillard,E.,《基本调度问题的基准》,《欧洲运筹学杂志》,64,2,278-285(1993)·Zbl 0769.90052号 [222] Talbi,E.-G.,《混合元启发式分类法》,《启发式杂志》,8,5,541-564(2002) [223] Talbi,E.-G.,《元启发式:从设计到实现》(2009),John Wiley&Sons,Inc·Zbl 1190.90293号 [224] Talbi,E.-G.,《将元启发式与数学规划、约束规划和机器学习相结合》,《运筹学年鉴》,240,1,171-215(2016)·Zbl 1342.90194号 [225] Talbi,E.-G.,《机器学习到元启发式:数据驱动元启发式的调查和分类》,工作文件(2020年) [226] 戴维南,S。;Zufferey,N.,学习带时间窗和拒绝的调度问题的可变邻域搜索,离散应用数学,261344-353(2019)·Zbl 1409.68273号 [227] 土耳其共和国。;Sörensen,K。;Hvattum,L.M.,《元启发式的元分析:量化适应性大邻域搜索中适应性的影响》,《欧洲运筹学杂志》(2020年) [228] Van Luong,T.等人。;梅勒布,N。;Talbi,E.-G.,并行局部搜索元启发式算法的Gpu计算,IEEE计算机学报,62,1,173-185(2011)·Zbl 1365.68392号 [229] 沃杜里斯,C。;Tsang,E.,引导式局部搜索及其在旅行推销员问题中的应用,《欧洲运筹学杂志》,113,2,469-499(1999)·Zbl 0937.90094号 [230] 沃杜利斯,C。;Tsang,E.P.,引导式局部搜索,元启发式手册,185-218(2003),施普林格·Zbl 1102.90385号 [231] 瓦格纳,S。;Affenzeller,M.,《启发式实验室:通用和可扩展的优化环境,自适应和自然计算算法》,538-541(2005),Springer [232] 沃克,J.D。;奥乔亚,G。;Gendreau,M。;Burke,E.K.,《hyflex超神经网络框架内的车辆路径和自适应迭代局部搜索》,学习和智能优化国际会议,265-276(2012),Springer [233] Wang,H。;Jin,Y.,创伤系统数据驱动约束多目标组合优化的随机森林辅助进化算法,IEEE控制论汇刊,50,2,536-549(2018) [234] 王,X。;Tang,L.,多目标置换流水车间调度问题的基于机器学习的模因算法,计算机与运筹学,79,60-77(2017)·Zbl 1391.90327号 [235] Wang,Y。;潘,S。;李,C。;Yin,M.,最小权重独立支配集的基于强化学习的修复过程的局部搜索算法,信息科学,512533-548(2020) [236] Wang,Y。;姚,Q。;郭敬通(Kwok,J.T.)。;Ni,L.M.,从几个例子中概括:关于少快照学习的调查,ACM计算调查(CSUR),53,3,1-34(2020) [237] Watkins,C.J.C.H.,《从延迟奖励中学习》(1989年),剑桥大学国王学院博士论文。 [238] Wauters,T。;Verbeeck,K。;De Causmaecker,P。;Berghe,G.V.,使用强化学习推进元启发式搜索,混合元启发式,433-452(2013),Springer [239] Wawrzyniak,J。;Drozdowski,M。;爱沙尼亚州桑拉维尔。,大型泊位分配问题的选择算法,《欧洲运筹学杂志》,283,3844-862(2020)·Zbl 1441.90069号 [240] 沃伊图西亚克,J。;T.典狱长。;Herzog,O.,《基于代理的取送计划:可学习的进化模型方法》,2011年复杂、智能和软件密集型系统国际会议,1-8(2011),IEEE [241] 沃伊图西亚克,J。;典狱长,T。;Herzog,O.,基于代理的交付优化中的可学习进化模型,Memetic Computing,4,3,165-181(2012) [242] Wolpert,D.H。;Macready,W.G.,优化的无免费午餐定理,IEEE进化计算事务,1,1,67-82(1997) [243] Wu,W。;Tseng,S.-P.,离散优化问题的改进可学习进化模型,智能信息隐藏和多媒体信号处理进展,333-340(2017),施普林格 [244] Xiang,T。;Pan,D.,分割配送车辆路径问题的聚类算法,《计算机应用杂志》,36,11,3141-3145(2016) [245] 向,X。;田,Y。;肖,J。;Zhang,X.,道路网络不确定性下基于聚类的替代辅助多目标进化算法,IEEE工业信息学报,16,12,7544-7555(2020) [246] 薛,B。;张,M。;布朗,W.N。;Yao,X.,《特征选择的进化计算方法综述》,IEEE进化计算汇刊,20,4,606-626(2015) [247] Yalcinoz,T。;Altun,H.,《使用混合遗传算法进行电力经济调度》,IEEE电力工程评论,21,3,59-60(2001) [248] Yu,H。;Tan,Y。;Sun,C。;Zeng,J.,代理辅助粒子群优化的基于聚类的进化控制,2017年IEEE进化计算大会(CEC),503-508(2017),IEEE [249] 袁,Z。;Handoko,S.D。;Nguyen,D.T。;Lau,H.C.,操作员选择中离线配置和在线适应的实证研究,学习与智能优化国际会议,62-76(2014),Springer [250] 泽纳基,M。;Ech-Cherif,A.,一种基于机器学习的新方法,用于调整元启发式以解决难的组合优化问题,应用科学杂志(费萨拉巴德),10,18,1991-2000(2010) [251] 扎勒钦,M。;塔瓦科利·莫哈达姆,R。;查希里,B。;Mohammadi,M.,混合不确定性下闭环定位库存供应链网络的可持续设计,运输研究第E部分:物流与运输评论,89,182-214(2016) [252] 张,H。;周,A。;Song,S。;张,Q。;高X.-Z。;Zhang,J.,自组织多目标进化算法,IEEE进化计算汇刊,20,5,792-806(2016) [253] Zhang,J.,一种有效的基于密度的车辆路径问题聚类算法,2017年计算机网络、电子和自动化国际会议(ICCNEA),465-469(2017),IEEE [254] 张杰。;詹,Z.-h。;Lin,Y。;陈,N。;龚义杰。;钟建华。;Shi,Y.-h.,《进化计算与机器学习:一项调查》,IEEE计算智能杂志,6,4,68-75(2011) [255] 赵,F。;张,L。;曹,J。;Tang,J.,分布式装配零级流水作业调度问题的带强化学习的协同水波优化算法,计算机与工业工程,153107082(2021) [256] 郑毅。;Fu,X。;Xuan,Y.,基于随机森林替代的数据驱动优化,2019年第六届系统与信息学国际会议(ICSAI),487-491(2019),IEEE [257] 郑永杰,《水波优化:一种新的自然启发元启发式方法》,《计算机与运筹学》,55,1-11(2015)·Zbl 1348.90652号 [258] 周,Y。;Hao,J.-K。;Duval,B.,《基于强化学习的分组问题局部搜索:图着色的案例研究》,《应用专家系统》,64,412-422(2016) [259] 周,Y。;Hao,J.-K。;Duval,B.,基于频繁模式的搜索:二次分配问题的案例研究,IEEE系统、人类和控制论汇刊:系统(2020) [260] Zhou,Z。;Ong,Y.S。;Nguyen,M.H。;Lim,D.,分层代理辅助进化算法中多项式回归和高斯过程全局代理模型的研究,2005年IEEE进化计算大会,32832-2839(2005),IEEE 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。