.png){kind=icon}
返回
A causal framework for stochastic local search optimization algorithms
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cor.2025.107050.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管在文献中存在大量的优化算法和各种研究这些算法的方法，但理解优化算法的行为并解释其结果仍然是人工智能和运筹学中的基本开放性问题。我们认为，现有的文献体系已经非常丰富，而阻碍这些问题取得进展的主要障碍是其碎片化。在本工作中，我们专注于随机局部搜索算法，这是一类能够在短时间内计算出高质量次优解的方法。我们提出了一种因果框架，用于关联解决优化问题时所涉及的实体。我们展示了这一概念框架如何能够用于关联旨在理解随机局部搜索算法工作原理的多种方法，以及如何利用它来解决开放性问题，包括理论和实践两个方面。
Keyword:
Optimization
Stochastic local search
Local search algorithms
Heuristic algorithms
Causal framework
期刊
C
IF:
4.3
论文数:
6.5K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
分享收藏
What makes a VRP solution good? The generation of problem-specific knowledge for heuristics什么使VRP解决方案好？启发式问题特定知识的生成
PREAI
分享收藏
查看更多内容