Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aceleración de la hiperheurística con la selección del operador de cadena de Markov y el operador de aceptación de solo empeoramiento

Created by
  • Haebom

Autor

Abderrahim Bendahi, Benjamin Doerr, Adrien Fradin, Johannes F. Lutzeyer

Describir

Este artículo propone dos algoritmos modificados que mejoran el algoritmo hiperheurístico de aceptación de movimientos existente y demuestran un rendimiento mejorado en varias funciones de referencia. La primera modificación introduce una cadena de Markov simple de dos estados para la selección de operadores de solo mejora y de aceptación de cualquier movimiento, lo que reduce el tiempo de ejecución de la función Jump$_m$ de $\Omega(n^{2m-1})$ a $O(n^{m+1})$. La segunda modificación reemplaza el operador de aceptación de cualquier movimiento con un operador que solo permite el deterioro, lo cual, aunque contraintuitivo, reduce el tiempo de ejecución de la función Jump a $O(n^3 \log n)$ independientemente del tamaño del gap. Demostramos que el algoritmo propuesto garantiza un tiempo de ejecución de $O(n^{k+1} \log n)$ para la clase de referencia SEQOPT$_k$ (la clase de funciones con múltiples óptimos locales consecutivos). La clase SEQOPT$_k$ incluye las funciones Jump$_m$ y Cliff$_d$.

Takeaways, Limitations

Takeaways:
Presentamos dos modificaciones efectivas que mejoran significativamente el rendimiento de los algoritmos hiperheurísticos de aceptación de movimientos existentes.
Reduce drásticamente los tiempos de ejecución de problemas difíciles como las funciones Jump$_m$ y Cliff$_d$.
Al demostrar la utilidad de los operadores que sólo permiten el deterioro, presentamos una nueva perspectiva sobre el diseño de algoritmos de optimización convencionales.
La clase de referencia SEQOPT$_k$ recientemente propuesta puede servir como una referencia útil para evaluar el rendimiento de varios algoritmos de optimización.
Limitations:
El rendimiento del algoritmo propuesto puede estar limitado a ciertos tipos de funciones de referencia.
Se necesita más investigación para determinar la aplicabilidad y generalización a problemas del mundo real.
Es posible que se necesiten más investigaciones sobre la configuración de parámetros y la optimización de las cadenas de Markov.
Es posible que la clase SEQOPT$_k$ no cubra exhaustivamente todos los tipos de problemas.
👍