arXiv cs.AI· Jakub Cebula, Konrad Gmyrek, Pawe{\l} B. Myszkowski, Marko {\DJ}urasevi\'c, {\L}ukasz P. Olech, Adam Paliszek-Sa{\l}adyga·· 10 小时前AI 评分18
用领域知识定制优化方法：IPMD 框架与 BNTGP 超启发式求解路径与调度问题
Tailoring Optimization Approaches with Domain Knowledge in Industry Process for Meta-heuristic Development
AI 导读
论文提出 Industry Process for Meta-heuristic Development（IPMD）框架，用于系统化地将元启发式与超启发式方法应用于优化问题。
正文 · AI 翻译
摘要：本文提出了一种面向元启发式开发的行业流程（IPMD）模式，这是一种将元启发式和超启发式应用系统化地用于优化问题的方法论。在此背景下，我们给出了一个平衡非支配锦标赛遗传编程（BNTGP）的案例研究，将其应用于求解两个 NP 难的多目标优化问题：路径规划（带时间窗的容量约束车辆路径问题）和调度（多技能资源受限项目调度问题）。BNTGP 方法基于元启发式设计。其基于遗传编程的表示使 BNTGP 成为一种超启发式方法，因为它能够探索用于一般性问题求解的启发式搜索空间。由此得到的启发式方法随后可应用于一组问题实例。
| 学科： | 神经与进化计算（cs.NE）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13940 [cs.NE] |
| （或 arXiv:2611.13940v1 [cs.NE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13940 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Łukasz Olech Piotr [查看电子邮件]
[v1]
2026年11月10日星期二 11:24:26 UTC（62 KB）
来源：arXiv cs.AI · arxiv.org