摘要
布拉德利·亚历山大(Bradley Alexander)、詹姆斯·科特曼(James Kortman)和安妮塔·诺依曼(Aneta Neumann)。 2017年。通过基于特征的多样性优化,艺术图像变体的演变。 在 2017年7月15日至19日在德国柏林举行的GECCO 2017遗传和进化计算会议记录 Peter A.N.Bosman(编辑)。 美国医学会,171--178。 谷歌学者 数字图书馆 David L.Applegate、Robert E.Bixby、Vasek Chvátal和William J.Cook。 2007 旅行推销员问题的计算研究 普林斯顿大学出版社,美国新泽西州普林斯顿。 谷歌学者 数字图书馆 伯恩德·比施尔(Bernd Bischl)、帕斯卡尔·克什克(Pascal Kerschke)、拉尔斯·科特霍夫(Lars Kotthoff)、托马斯·马吕斯·林道尔(Thomas Marius Lindauer)、尤里·马利茨基(Yuri Malitsky)、亚历山大·弗雷谢特(Alexandre Fréchette)、霍尔格·胡斯(Holger H.Hoos)、弗兰克·赫特。 2016年。ASlib:算法选择的基准库。 人工智能(AIJ) 237 (2016), 41 -- 58. 谷歌学者 数字图书馆 雅各布·博斯克和海克·特劳特曼。 2016年,最先进的不精确TSP解决方案性能差异最大化的发展实例。 在 第十届学习与智能优化国际会议论文集 施普林格,48-59。 谷歌学者 交叉引用 雅各布·博斯克和海克·特劳特曼。 2016。了解具有最大性能差异的最先进的不精确TSP求解器的进化实例的特征。 在 人工智能(AI*IA)进展 .弹簧,3-12。 谷歌学者 数字图书馆 雅各布·博斯克和海克·特劳特曼。 2019.多目标绩效测量:PAR10的替代方案和预期运行时间。 在 第十二届学习与智能优化国际会议论文集(计算机科学讲稿) 第11353卷。 施普林格国际出版公司,希腊卡拉马塔,215-219。 谷歌学者 数字图书馆 Jérémie Dubois-Lacoste、Holger H.Hoos和Thomas Stützle。 2015.关于欧几里德TSP最新本地搜索算法的经验缩放行为。 在 第17届遗传和进化计算年会(GECCO)会议记录 美国医学会,377--384。 谷歌学者 数字图书馆 Wanru Gao、Samadhi Nallaperuma和Frank Neumann。 2016.基于特征的问题实例分类多样性优化。 在 第十四届自然并行问题解决国际会议论文集(PPSN XIV)(计算机科学讲义(LNCS)) 施普林格,869-879。 谷歌学者 交叉引用 丹·古斯菲尔德。 1997 字符串、树和序列的算法:计算机科学和计算生物学 剑桥大学出版社,美国纽约州纽约市。 谷歌学者 数字图书馆 Keld Helsgaun。 2009年,林克尼汉TSP启发式的Generalk-opt子动作。 数学规划计算 1, 2--3 (2009), 119 -- 163. 谷歌学者 交叉引用 Frank Hutter、Lin Xu、Holger H.Hoos和Kevin Leyton-Brown。 2014.算法运行时预测:方法与评估。 人工智能(AIJ) 206 (2014), 79 -- 111. http://www.sciencedirect.com/science/article/pii/S0004370213001082 谷歌学者 数字图书馆 帕斯卡·科尔斯克(Pascal Kerschke)、雅各布·博斯克(Jakob Bossek)和海克·特劳特曼(Heike Trautmann)。 2018年,先进性能指标参数化:基于不精确TSP解算器的稳健性研究。 在 第20届遗传与进化计算协会年会论文集 .ACM,1737年至1744年。 谷歌学者 数字图书馆 帕斯卡·科尔斯克(Pascal Kerschke)、霍尔格·胡斯(Holger H.Hoos)、弗兰克·诺依曼(Frank Neumann)和海克·特劳特曼(Heike Trautmann)。 2019.自动算法选择:调查与展望。 进化计算(ECJ) 27, 1 (2019), 3 -- 45. 谷歌学者 数字图书馆 帕斯卡·科尔斯克、拉尔斯·科特霍夫、雅各布·博塞克、霍尔格·胡斯和海克·特劳特曼。 2018.通过机器学习利用TSP求解器互补性。 进化计算(ECJ) 26,4(2018),597--620。 谷歌学者 数字图书馆 拉尔斯·科特霍夫。 2016.组合搜索问题的算法选择:一项调查。 数据挖掘与约束编程 10101 (2016), 149 -- 190. 谷歌学者 交叉引用 Lars Kotthoff、Pascal Kerschke、Holger H.Hoos和Heike Trautmann。 2015年,使用实例化算法选择改进不精确TSP求解的最新技术。 在 第九届学习与智能优化国际会议论文集 施普林格,202-217。 谷歌学者 交叉引用 保罗·麦克梅内米(Paul McMenemy)、纳达拉延·维拉彭(Nadarajen Veerapen)、杰森·阿代尔(Jason Adair)和加布里埃拉·奥乔亚(Gabriela Ochoa)。 2019.先进TSP启发式求解器的严格性能分析。 在 组合优化中的进化计算(计算机科学(LNCS)课堂讲稿) 阿诺德·利福格和路易斯·帕奎特(编辑),第11452卷。 施普林格,99-114。 谷歌学者 Stephan Meisel、Christian Grimme、Jakob Bossek、Martin Wölck、Günter Rudolph和Heike Trautmann。 2015。车辆动态路线基准实例的多目标EA评估。 在 第17届遗传与进化计算会议(GECCO)论文集 .ACM,美国纽约州纽约市,425--432。 谷歌学者 数字图书馆 Olaf Mersmann、Bernd Bischl、Heike Trautmann、Mike Preuss、Claus Weihs和Günter Rudolph。 2011年,探索性景观分析。 在 第十三届遗传和进化计算年会(GECCO)会议记录 美国医学会,829--836。 谷歌学者 数字图书馆 奥拉夫·默斯曼、伯恩德·比施尔、海克·特劳特曼、马库斯·瓦格纳、雅各布·博斯克和弗兰克·诺伊曼。 2013.一种基于特征的新方法,用于表征旅行推销员问题的算法性能。 数学与人工智能年鉴 第69页(2013年10月),第151-182页。 第2版。 谷歌学者 数字图书馆 永田裕一和小林知根。 2013.使用边缘集合交叉的强大遗传算法求解旅行推销员问题。 信息计算杂志 25, 2 (2013), 346 -- 363. 谷歌学者 数字图书馆 Aneta Neumann、Wanru Gao、Carola Doerr、Frank Neumann-和Markus Wagner。 2018.基于差异的进化多样性优化。 在 第20届遗传与进化计算年会(GECCO)会议记录 .美国医学会,991--998。 谷歌学者 数字图书馆 Aneta Neumann、Wanru Gao、Markus Wagner和Frank Neumann。 2018年,使用多目标指标进行进化多样性优化。 CoRR公司 abs/1811.06804(2018),1--22。 arXiv公司:1811.06804 http://arxiv.org/abs/1811.06804 会议版本出现在GECCO 2019上。 谷歌学者 Aneta Neumann、Christo Pyromalis和Bradley Alexander。 2018.使用生成性对抗网络的多样性和约束图像的演变 神经信息处理——第25届国际会议,ICONIP 2018,柬埔寨暹粒,2018年12月13-16日,会议记录,第六部分(计算机科学讲稿) 、龙城、梁智星和小泽正一(编辑),第11306卷。 施普林格,452-465。 谷歌学者 哈拉尔德·尼德雷特。 1972.差异与凸规划。 Annali di matematica pura ed applicata公司。 系列4 93, 1 (1972), 89--97. 谷歌学者 Josef Pihera和Nysret Musliu。 2014.机器学习在TSP算法选择中的应用。 在 IEEE第26届人工智能工具国际会议(ICTAI)会议记录 IEEE,第47-54页。 谷歌学者 数字图书馆 约翰·里沙德·赖斯(John Rischard Rice)。 1976.算法选择问题。 计算机的进展 15 (1976), 65 -- 118. 谷歌学者 交叉引用 达尼洛·桑切斯、L.Darrell Whitley和雷纳托·蒂诺。 2017.为旅行推销员问题构建更好的启发式:结合边集合交叉和分区交叉。 在 第19届遗传和进化计算年会(GECCO)会议记录 .美国医学会,329--336。 谷歌学者 数字图书馆 凯特·阿曼达·史密斯-迈尔斯。 2009.算法选择元学习的跨学科视角。 ACM计算调查(CSUR) 41(2009年1月),1--25。 谷歌学者 数字图书馆 凯特·阿曼达·史密斯-迈尔斯(Kate Amanda Smith-Miles)和贾诺·伊尔贾·范·海默特(Jano Ilja van Hemert)。 2011.通过学习进化实例发现优化算法的适用性。 数学与人工智能年鉴 61, 2 (2011), 87 -- 104. 谷歌学者 数字图书馆 雷纳托·蒂诺斯(Renato Tinós)、凯尔德·赫尔斯冈(Keld Helsgaun)和L.Darrell Whitley。 2018年,林克尼甘·赫尔斯冈(Lin-Kernighan-Helsgaun)旅行推销员启发式中的高效重组。 在 第十五届自然并行问题解决国际会议论文集(PPSN XV)(计算机科学讲稿(LNCS)) ,Anne Auger、Carlos Manuel Mira da Fonseca、Nuno Lourenço、Penousal Machado、Luis Paquete和L.Darell Whitley(编辑),第11101卷。 施普林格,95-107。 谷歌学者 塔玛拉·乌尔里奇(Tamara Ulrich)和洛塔尔·蒂勒(Lothar Thiele)。 2011.在单目标优化中最大化人口多样性。 在 遗传与进化计算会议 .ACM,641--648。 谷歌学者 数字图书馆 大卫·希尔顿·沃尔珀特(David Hilton Wolpert)和威廉·麦克雷迪(William G.Macready)。 1997.没有免费午餐定理用于优化。 IEEE进化计算汇刊(TEVC) 1, 1 (1997), 67 -- 82. 谷歌学者 数字图书馆
索引术语
通过新颖和创造性的突变算子进化不同的TSP实例
建议
一种基于混合变异策略的差分进化算法 ICIMCS’10:第二届互联网多媒体计算和服务国际会议记录 差分进化(DE)是一种简单高效的全局优化进化算法。 然而,DE中使用的变异策略极大地影响了其性能。 虽然已经提出了许多变异算子。。。 大型TSP实例的新EAX交叉 自然并行问题解决-PPSN IX 摘要 我们提出了一种适用于旅行商问题(TSP)的进化算法(EA)。 EA使用边集合交叉(EAX),这对于解决TSP来说是高效和有效的。 最近,EAX的快速实现和。。。