×

关于适应度景观特征在二次分配问题基于元学习的算法选择中的应用。 (英语) Zbl 1436.68324号

概要:元神经理论的表现因其解决的问题实例而异,这意味着手动选择算法并不容易,而自动选择是可取的。这项任务可以使用元学习方法来解决,该方法将问题实例的特征与一组求解算法的性能联系起来。因此,这种方法的成功取决于提取的特征集的质量。一些研究提出使用基于适应度景观分析(FLA)的特征来表征优化问题。然而,基于FLA的测度提取通常需要很大的计算量。在之前的工作中,我们使用一些FLA测度对二次指派问题(QAP)进行了元神经选择。本研究通过使用成本较低的提取方法和考虑更多QAP实例,扩展了我们的研究,包括额外的FLA元特征。总的来说,我们构建了五个多标签数据集,每个数据集由不同采样大小提取的元特征组成,然后我们使用它们来训练Random Forest分类器。除了表现出令人满意的分类性能,并且与我们之前的工作相比减少了时间消耗,与单独运行元神经系统相比,这种选择方法能够在QAP实例集上实现更好的解决成本。

MSC公司:

68T20型 人工智能背景下的问题解决(启发式、搜索策略等)
68T05型 人工智能中的学习和自适应系统
90B80型 离散位置和分配
90C27型 组合优化
90 C59 数学规划中的近似方法和启发式
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 科普曼斯,T.C。;Beckmann,M.,《分配问题与经济活动的位置》,《计量经济学》,53-76(1957)·Zbl 0098.12203号
[2] 伯克德·R·E。;Cela,E。;帕尔达洛斯,P.M。;Pitsoulis,L.S.,二次分配问题(组合优化手册(1998),Springer),1713-1809·Zbl 0909.90226号
[3] 舒马赫,C。;沃斯,医学博士。;Whitley,L.D.,《免费午餐和问题描述长度》(《第三届遗传与进化计算年会论文集》,GECCO’01(2001),Morgan Kaufmann Publishers Inc.),565-570
[4] 兰登,W.B。;Poli,R.,《学习粒子群优化器和其他搜索算法的进化问题》,IEEE Trans。进化。计算。,11, 5, 561-578 (2007)
[5] Auger,A。;Teytaud,O.,《连续午餐是免费的,外加优化算法的设计》,《算法》,57,1,121-146(2010)·Zbl 1206.90133号
[6] Wolpert,D.H。;Macready,W.G.,《优化无免费午餐定理》,IEEE Trans。进化。计算。,1, 1, 67-82 (1997)
[7] Tang,K。;彭,F。;陈,G。;Yao,X.,基于人口的算法组合与自动成分算法选择,信息科学。,279, 94-104 (2014)
[8] 布鲁姆,C。;Puchinger,J。;Raidl,G.R。;Roli,A.,《组合优化中的混合元启发式:一项调查》,应用。软计算。,11, 6, 4135-4151 (2011)
[9] Smith Miles,K.A.,使用元学习概念进行优化的深入算法选择,(2008年IEEE国际神经网络联合会议(IEEE世界计算智能大会)(2008)),4118-4124
[10] 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,(遗传与进化计算会议论文集,GECCO’17(2017),ACM),1471-1478
[11] 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。组合优化的进化计算,计算机科学讲义(2013),Springer:Springer Berlin,Heidelberg),109-120
[12] 丹塔斯,A。;Pozo,A.,用多标签元学习方法选择二次分配问题的算法,(2018年第七届巴西智能系统会议(BRACIS)(2018)),175-180
[13] Madjarov,G。;科切夫,D。;Gjorgjevikj,D。;Díeroski,S.,《多标签学习方法的广泛实验比较》,模式识别。,45, 9, 3084-3104 (2012)
[14] 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》,《国际J·混合智能》。系统。,8, 3, 117-128 (2011)
[15] 赖斯,J.R.,算法选择问题,高级计算。,15, 65-118 (1976)
[16] 林道尔,M。;van Rijn,J.N。;Kotthoff,L.,《2015年和2017年算法选择竞赛》,Artif。智力。,272,86-100(2019)·Zbl 1478.68273号
[17] 徐,L。;Hutter,F。;胡斯,H.H。;Leyton-Brown,K.,SATzilla:SAT基于投资组合的算法选择,J.Artif。智力。研究,32,1565-606(2008)·Zbl 1182.68272号
[18] van Rijn,J.N。;福尔摩斯,G。;普法林格,B。;Vanschoren,J.,《在线性能评估框架:数据流的异构集成学习》,马赫。学习。,107, 1, 149-176 (2018) ·Zbl 1457.68320号
[19] Ansótegui,C。;Gabás,J。;Malitsky,Y。;Sellmann,M.,MaxSAT,通过改进实例特定算法配置,Artif。智力。,235, 26-39 (2016) ·Zbl 1352.68218号
[20] Fuscá,D。;Calimeri,F。;Zangari,J。;Perri,S.,I-DLV+MS:关于自动ASP解算器选择器的初步报告(RCRA@AI*IA(2017))
[21] 阿马迪尼,R。;Gabbrielli,M。;Mauro,J.,SUNNY:约束求解的懒惰投资组合方法,理论与实践。日志。程序。,14, 4-5, 509-524 (2014) ·Zbl 1307.68077号
[22] Kotthoff,L。;科尔斯克,P。;胡斯,H。;Trautmann,H.,《利用超实例算法选择改进不精确TSP求解的最新技术》(Dhanens,C.;Jourdan,L.;Marmion,M.-E.,《学习与智能优化》(2015),Springer International Publishing),202-217
[23] 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)(2018),IEEE),1-8
[24] 米兰达,E.S。;Fabris,F。;Nascimento,C.G。;Freitas,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)(2018),IEEE),169-174
[25] 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,专家系统。申请。,118, 470-481 (2019)
[26] 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》,Electron。注意离散数学。,69, 205-212 (2018)
[27] 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.,用于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(2017),Springer),339-346
[28] 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》。,476, 192-210 (2019)
[29] 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)(2018)),1-8
[30] 伯克德·R·E。;Karisch,S.E。;Rendl,F.,QAPLIB-二次分配问题库,J.Glob。优化。,10, 4, 391-403 (1998) ·Zbl 0884.90116号
[31] Drezner,Z。;Hahn,P.M。;爱沙尼亚·泰勒。D.,二次分配问题的最新进展,特别强调元启发式方法难以解决的实例,Ann.Oper。第139号、第1号、第65-94号决议(2005年)·Zbl 1091.90033号
[32] 爱沙尼亚·泰勒。,二次指派问题的鲁棒禁忌搜索,并行计算。,17, 4-5, 443-455 (1991)
[33] Benlic,美国。;Hao,J.-K.,二次分配问题的模因搜索,专家系统。申请。,42, 1, 584-595 (2015)
[34] Vanneschi,L。;克莱格,M。;科拉德,P。;托马西尼,M。;Vérel,S.,《遗传编程中的健身云和问题硬度》,(Deb,K.,《遗传和进化计算-GECCO 2004》(2004),施普林格:施普林格-柏林-海德堡),690-701
[35] Anstreicher,K。;Brixius,N。;古克斯,J.-P。;Linderath,J.,在计算网格上解决大型二次分配问题,数学。程序。,91,3563-588(2002年)·Zbl 1030.90105号
[36] Connolly,D.T.,《QAP的改进退火方案》,Eur.J.Oper。决议,46,193-100(1990)·Zbl 0715.90079号
[37] 巴提提,R。;Tecchiolli,G.,反应式禁忌搜索,ORSA J.Compute。,6126-140(1994年)·Zbl 0807.90094号
[38] Drezner,Z.,二次分配问题的一种新的遗传算法,INFORMS J.Comput。,15, 3, 320-330 (2003) ·Zbl 1238.90108号
[39] Pardalos,L。;Resende,M.,二次分配问题的贪婪随机自适应搜索程序,(二次分配和相关问题。二次分配及相关问题,DIMACS离散数学和理论计算机科学系列,第16卷(1994)),237-261·Zbl 0817.90057号
[40] 马尼佐,V。;Colorni,A.,应用于二次分配问题的蚂蚁系统,IEEE Trans。知识。数据工程,11,5,769-778(1999)
[41] Cung,V.-D。;Mautor,T。;Michelon,P。;Tavares,A.,基于分散搜索的二次分配问题方法,(1997年IEEE进化计算国际会议论文集(ICEC’97)(1997)),165-169
[42] Braddil,P。;Giraud-Carrier,C.G。;苏亚雷斯,C。;Villata,R.,《元学习-数据挖掘应用》,认知技术(2009),施普林格出版社·Zbl 1173.68625号
[43] 库尼亚,T。;苏亚雷斯,C。;de Carvalho,A.C.,元学习和推荐系统:协作过滤算法选择问题的文献综述和实证研究,信息科学。,423, 128-144 (2018)
[44] Stützle,T.,二次分配问题的迭代局部搜索,Eur.J.Oper。第174、1519-1539号决议(2006年)·Zbl 1103.90066号
[45] Pitzer,E。;阿芬泽勒,M。;Beham,A。;Wagner,S.,使用启发式实验室进行综合和自动健身景观分析,(计算机辅助系统理论国际会议(2011),Springer),424-431
[46] 琼斯,T。;Forrest,S.,《适应度距离相关性作为衡量遗传算法问题难度的方法》(《第六届遗传算法国际会议论文集》(1995年),摩根考夫曼出版社),184-192年
[47] 卢,G。;李,J。;Yao,X.,《适合概率云和进化算法的问题硬度度量》(Merz,P.;Hao,J.-K.,《组合优化中的进化计算》(2011),Springer:Springer-Berlin-Heidelberg),108-117
[48] Lunacek,M。;Whitley,D.,《离散度和CMA进化策略》,(第八届遗传和进化计算年会论文集,GECCO’06(2006),ACM),477-484
[49] 西尔伯霍尔兹,J。;Golden,B.,《元启发式比较》,(元启发式手册(2010),Springer),625-640
[50] Benlic,美国。;Hao,J.-K.,二次分配问题的突破局部搜索,应用。数学。计算。,219, 9, 4800-4815 (2013) ·Zbl 1401.90108号
[51] Stützle,T。;Hoos,H.H.,MAX-MIN蚂蚁系统,未来世代。计算。系统。,16, 8, 889-914 (2000)
[52] Taillard,E.D.,二次分配问题迭代搜索的比较,位置科学。,387-105年3月2日(1995年)·Zbl 0916.90235号
[53] 多里戈,M。;Caro,G.D.,《蚁群优化:一种新的元神经系统》,(《1999年进化计算大会论文集》,第2卷(1999)),1477
[54] Breiman,L.,《随机森林》,马赫。学习。,45, 1, 5-32 (2001) ·Zbl 1007.68152号
[55] 佩德雷戈萨,F。;瓦罗佐,G。;Gramfort,A。;米歇尔,V。;蒂里昂,B。;格里塞尔,O。;布隆德尔,M。;普雷滕霍弗,P。;韦斯,R。;杜堡,V。;范德普拉斯,J。;帕索斯,A。;库纳波,D。;布鲁彻,M。;佩罗,M。;Duchesnay,E.,Scikit-learn:Python中的机器学习,J.Mach。学习。第12号决议,2825-2830(2011年)·Zbl 1280.68189号
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。