combinatorial optimization

5 items

RESEARCHarXiv CS.LG·vor 15T

WeCon: An Efficient Weight-Conditioned Neural Solver for Multi-Objective Combinatorial Optimization Problems

Forscher schlagen WeCon vor, einen effizienten gewichtsbedingten neuronalen Solver für Mehrziel-Kombinatorische Optimierungsprobleme (MOCOPs). Er verbessert die gewichtsbedingte Kontextmodellierung und Präferenzoptimierung, indem er Einschränkungen bestehender Methoden bei der Gewichtsinjektion und der Erstellung informativer Lösungspaare für das Training adressiert.

neural networks Optimization machine learning AI

RESEARCHarXiv CS.CL·4/6/2026

Principled and Scalable Diversity-Aware Retrieval via Cardinality-Constrained Binary Quadratic Programming

Este trabalho propõe uma formulação rigorosa para a recuperação consciente da diversidade em Geração Aumentada por Recuperação (RAG), abordando a falta de garantias teóricas e escalabilidade dos métodos existentes. A solução utiliza programação quadrática binária com restrição de cardinalidade (CCBQP) e um algoritmo baseado em Frank-Wolfe, demonstrando desempenho superior na fronteira de Pareto de relevância-diversidade e maior velocidade.

Retrieval Augmented Generation Scalability Diversity-aware Retrieval Binary Quadratic Programming

RESEARCHarXiv CS.AI·4/16/2026

Optimizing Earth Observation Satellite Schedules under Unknown Operational Constraints: An Active Constraint Acquisition Approach

Diese Arbeit befasst sich mit der Planung von Erdbeobachtungssatelliten unter unbekannten Betriebsbedingungen, die interaktiv von einem binären Orakel gelernt werden müssen. Die Autoren stellen Conservative Constraint Acquisition (CCA), ein domänenspezifisches Verfahren, vor, um effizient gerechtfertigte Einschränkungen für ein vereinfachtes Modell zu identifizieren.

Optimization machine learning Constraint Acquisition satellite scheduling

RESEARCHarXiv CS.AI·vor 29T

Fast and Effective Redistricting Optimization via Composite-Move Tabu Search

Diese Forschung stellt einen Composite-Move Tabu-Suchalgorithmus (CM-Tabu) vor, der für eine schnelle und effektive Optimierung der räumlichen Neuverteilung entwickelt wurde. Er begegnet der Kontinuitätsbeschränkung, indem er den zulässigen Nachbarschaftsraum erweitert, um zusammengesetzte Züge einzuschließen, was eine bessere Exploration gewährleistet und verhindert, dass die Suche in schlechten lokalen Optima gefangen bleibt.

Optimization Redistricting Tabu Search combinatorial optimization

RESEARCHarXiv CS.AI·vor 12T

DynaSchedBench: Calibrated Dynamic Scheduling Benchmarks and Observability Paradox in LLM-based Scheduling Agents

DynaSchedBench ist ein neues Diagnose-Framework für das Dynamische Flexible Job Shop Scheduling Problem (DFJSP), das Einschränkungen in der neuronalen kombinatorischen Optimierung beseitigt. Es verwendet einen Sequenziellen Ereignisraum-Kalibrator (SESC) und einen Zeitplan-Stress-Index (SSI), um die Instanzerzeugung streng zu kontrollieren und die Schwierigkeit zu stratifizieren. Diese Methode erweist sich als effizienter als evolutionäre Baselines und ermöglicht rigorose Tests von LLM-basierten Scheduling-Agenten.

DFJSP Benchmarking combinatorial optimization scheduling