کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4959677 1445955 2017 40 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A methodology for determining an effective subset of heuristics in selection hyper-heuristics
ترجمه فارسی عنوان
یک روش برای تعیین یک زیرمجموعه موثر از اکتشافات در انتخاب هیجان انگیز
کلمات کلیدی
متهوریستی، بیش از حد اکتشافی، جستجو سازگار بهینه سازی ترکیبی، جستجو محلی،
ترجمه چکیده
ما در مورد گام مهم تعیین یک زیرمجموعه موثر از اکتشافات در انتخاب هیجان انگیز است. توجه کمی به این موضوع در ادبیات اختصاص داده شده است، و تصمیم گیری در اختیار محقق قرار گرفته است. عملکرد فوق العاده اکتشافی بستگی به کیفیت و اندازه استخر اکتشافی دارد. استفاده از بیش از یک اکتشافی به طور کلی سودمند است، با این حال، یک استخر بزرگ غیر ضروری می تواند عملکرد سازگاری را کاهش دهد. هدف ما این است که سختگیرانه روش شناسی به این مرحله برسیم. روش پیشنهادی با استفاده از آمارهای غیر پارامتری و اندازه گیری منظره آمادگی از یک مجموعه موجود از اکتشافات و نمونه های معیار استفاده می کند تا تولید زیر مجموعه ای از اکتشافات موثر برای مشکل اساسی باشد. ما همچنین یک جستجوی جدید تکراری جستجوگر فوق العاده اکتشافی را با استفاده از راهزنان چندگانه همراه با مکانیسم تشخیص تغییر پیشنهاد می کنیم. این روش بر روی دو مسئله بهینه سازی دنیای واقعی تست شده است: زمانبندی دوره و مسیریابی خودرو. پیشنهاد فوق العاده اکتشافی با استحکام بسکتبال جمع و جور، پیشرفته ترین اکتشافی های پیشرفته و پیشرفته تر است و با برنامه های زمانبندی دوره ای با روش های خاص مشغول رقابت است، حتی در 5 مورد از 24 مورد مورد مطالعه، بهترین راه حل های جدید را در اختیار دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
یک روش برای تعیین یک زیرمجموعه موثر از اکتشافات در انتخاب هیجان انگیز
چکیده انگلیسی
We address the important step of determining an effective subset of heuristics in selection hyper-heuristics. Little attention has been devoted to this in the literature, and the decision is left at the discretion of the investigator. The performance of a hyper-heuristic depends on the quality and size of the heuristic pool. Using more than one heuristic is generally advantageous, however, an unnecessary large pool can decrease the performance of adaptive approaches. Our goal is to bring methodological rigour to this step. The proposed methodology uses non-parametric statistics and fitness landscape measurements from an available set of heuristics and benchmark instances, in order to produce a compact subset of effective heuristics for the underlying problem. We also propose a new iterated local search hyper-heuristic using multi-armed bandits coupled with a change detection mechanism. The methodology is tested on two real-world optimization problems: course timetabling and vehicle routing. The proposed hyper-heuristic with a compact heuristic pool, outperforms state-of-the-art hyper-heuristics and competes with problem-specific methods in course timetabling, even producing new best-known solutions in 5 out of the 24 studied instances.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Operational Research - Volume 260, Issue 3, 1 August 2017, Pages 972-983
نویسندگان
, , , ,