.png){kind=icon}
返回
A structure-based genetic programming generation constructive hyper-heuristic with transfer learning for combinatorial optimisation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10710-025-09528-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生成式构造型超启发式方法已被证明在为组合优化问题创建构造启发式方法方面非常有效，这些超启发式方法推导出的启发式方法通常优于人类设计的启发式方法。遗传编程是生成式构造型超启发式方法的主要使用技术。本研究探讨了遗传编程中两种新兴技术，即迁移学习和基于结构的遗传编程，在遗传编程构造生成超启发式方法中的有效性。研究探讨了在具有迁移学习（SBGP-HH-TL）和没有迁移学习（SBGP-HH）的生成式构造型超启发式方法中的基于结构的遗传编程。这些超启发式方法在三个问题领域进行了评估，即考试时间表问题、一维装箱问题和容量限制的车辆路径问题。SBGP-HH-TL和SBGP-HH在三个问题领域的多数问题实例上均优于采用标准遗传编程的生成型超启发式方法（CGP-HH），并且SBGP-HH-TL优于SBGP-HH。因此，该研究揭示了迁移学习和基于结构的遗传编程均导致了遗传编程生成式构造型超启发式方法在组合优化中的性能提升。
Keyword:
Generation constructive hyper-heuristic
Genetic programming
Structure-based genetic programming
Transfer learning in generation constructive hyper-heuristics
期刊
G
IF:
0.9
论文数:
12
被引数:
0
机构
引用论文
.png){kind=icon}
Probabilistic diversification and intensification in local search for vehicle routing局部搜索车辆路径的概率多样化和集约化
PREAI
分享收藏
查看更多内容