Questions tagged «heuristics»

对于SAT解算器的实际成功有什么理论上的解释，有人可以给出“维基百科式”的概述和解释，将它们全部绑在一起吗？ 以此类推，单纯形算法的平滑分析（arXiv版本）很好地解释了为什么它在实践中如此有效，尽管事实是在最坏的情况下它花费指数时间并且是NP强大的（arXiv版本）。 我已经听说了一些有关后门，子句图的结构和相变之类的信息，但是（1）我看不到它们如何组合在一起以提供更大的图像（如果有的话），以及（2）我不知道这些是否真的能解释为什么SAT求解器在例如工业实例上如此出色地工作。此外，当涉及子句图的结构时：为什么当前的求解器能够利用某些子句图的结构？ 至少在我目前有限的理解中，我仅发现部分满足此要求的相变结果。相变文献是关于随机 k-SAT 实例的，但这真的可以解释有关真实实例的任何信息吗？我不希望SAT的实际实例看起来像随机实例。我是不是该？是否有理由认为，相变即使看起来并不像随机实例，也可以直观地告诉我们有关真实实例的信息？ 相关问题虽然有帮助，但并不能完全回答我的问题，尤其是要求将事物捆绑到一张连贯的图片中的要求： 为什么SAT求解器之间存在巨大差异？ 哪些SAT问题很容易？ 树宽和随机3SAT的实例硬度之间有什么关系？

43 cc.complexity-theory  ds.algorithms  sat  heuristics 

稳定的婚姻问题：http : //en.wikipedia.org/wiki/Stable_marriage_problem 我知道，对于一个SMP实例，除了Gale-Shapley算法返回的婚姻以外，还有许多其他稳定的婚姻。但是，如果只给定，即男女人数，我们会问以下问题-我们能否构建一个能够提供最大稳定婚姻数目的偏好列表？这样一个数字的上限是多少？nnn

24 ds.algorithms  co.combinatorics  graph-algorithms  heuristics  matching 

是否有与实例不存在无限的子集NP任何问题，完全，使得成员Φ可以在多项式时间内决定，并为所有X ＆Element; Φ，X可以在多项式时间内解决了吗？（假设P ≠ N P）ΦΦ\PhiΦΦ\PhiX ＆Element; ΦX∈Φx \in \PhiXXxP≠ NPP≠ñPP \neq NP

18 cc.complexity-theory  np-complete  heuristics 

我想计算图的树宽。对于其他NP硬图问题，例如用于子图同构的VF2，确实有很好的启发法，例如在igraph中可用的代码。我在图形上尝试了它们，发现它们对我的数据运行非常快。 有没有类似的方法可以快速计算树宽？

18 ds.algorithms  graph-algorithms  treewidth  heuristics 

我正在准备一些启发式的课程材料以进行优化，并且一直在研究协调下降方法。这里的设置是您要优化的多元函数。f具有限制为任何单个变量的属性，因此很容易优化。因此，坐标下降是通过循环遍历坐标，固定除选定坐标之外的所有坐标并沿该坐标最小化而进行的。最终，改进缓慢而停止，您就终止了。ffffff 我的问题是：是否有任何关于坐标下降法的理论研究都涉及收敛速度，以及使该方法运行良好的性质，等等？显然，我不希望得到完全通用的答案，但是可以阐明启发式方法很好的情况的答案会有所帮助。fff 另外：用于均值的交替优化技术可以看作是坐标下降的一个示例，而Frank-Wolfe算法似乎是相关的（但不是框架的直接示例）kkk

14 ds.algorithms  reference-request  optimization  heuristics 

在Kempe-Kleinberg-Tardos的这篇论文中，作者提出了一种基于子模函数的贪心算法，用于确定图中的最具影响力的节点，并将其应用于社交网络。kkk 基本上，算法如下： S=empty setS=empty setS = {\rm empty~set} 选择个人影响力最高的节点，将其称为；v1v1v_1S=S∪v1S=S∪v1S = S\cup v_1 删除和连接所有边缘到网络的其余部分v1v1v_1v1v1v_1 重复直到有个顶点SSSkkk 关于社交网络中的影响节点，我有两个问题。 a）是否有任何算法可以找到解决方案，或者以分散方式对其进行近似？ b）是否有人应用其他算法（例如Page-Rank和类似算法）来解决同一问题？

13 ds.algorithms  graph-theory  dc.distributed-comp  social-sciences  heuristics 

分支定界法是一种有效的启发式搜索方法，维基百科列出了许多使用分支定界法的难题。但是，我无法找到引用来暗示它不仅仅是解决这些问题的“一种方法”。 有趣的是，我听说SAT和整数编程的一些最佳启发式方法来自分支定界，所以我的问题是： 有人可以指出任何参考资料，详细介绍对NP难题的有效使用branch and bound吗？

13 ds.algorithms  reference-request  optimization  heuristics 

诸如Z3或Boolector之类的SMT求解器使用一组复杂的试探法来解决问题。但是，这也使得很难针对给定问题预测此类求解器的性能。因此，我的问题是： 题 有没有一种方法可以针对无量值比特向量（QFBV）理论中的特定内容理解或了解SMT求解器的性能？ 这也包括任何有助于理解求解器“卡滞” /未取得进展的可视化工具。 应用领域 预先了解同一问题的不同编码如何影响求解器性能（此处的最新技术不能是“仅尝试几种不同的编码并希望一种编码足够快”，对吗？） 如果由于时间限制SMT求解器无法解决给定的问题，请找到一种不同的方式表达问题，以便可以解决。 避免将时间浪费在特定于域的问题简化上，这些问题根本不会影响求解器的性能，甚至不会对求解器的性能产生负面影响。 现有研究 我试图找到有关此主题的研究，但是却找不到很多。我在SAT / SMT求解器领域还没有太多经验，所以如果我错过了一些东西，我们深表歉意。 SATzilla：使用机器学习技术，根据从问题中提取的特征，预测性能最佳的求解器。 这仅适用于SAT而非SMT，并且不能解释求解器性能的原因。 Z3公理分析器 Z3实例图的可视化和匹配循环的分析 看起来这只专注于量化理论。

9 ds.algorithms  sat  heuristics 

我正在寻找NP困难优化问题的列表，在这些问题中，有一些实用的启发式方法正在积极研究以解决这些问题，并且有一些共同的基准可供人们尝试。 示例包括：系统发育树的重建（例如此处的启发式）旅行商（不是很活跃，但是LKH是众所周知的） 更具体地说，我正在寻找人们真正关心产生的成本（例如上述的TSP或系统发育）的研究领域。例如，找到决策树并不是我要寻找的东西，因为很少有人关心结果树的高度。

9 heuristics 

我正在教授一门有关元启发式的课程，并且需要为该术语项目生成有趣的经典组合问题实例。让我们专注于TSP。我们正在处理尺寸图200200200和更大。我当然尝试生成具有成本矩阵的图形，该矩阵的值取自随机U(0,1)U(0,1)U(0,1)，并发现（如预期的那样）路径成本的直方图（通过采样大量随机路径得出）的正态分布非常窄（μμ\mu 是 100 100~100 但 σσ\sigma 在附近 444）。在我看来，这意味着问题很容易，因为大多数随机路径都将低于平均值，而最小成本路径非常接近随机路径。 因此，我尝试了以下方法： U(0,1)U(0,1)U(0,1)-矩阵，在图表上随机走很长一段距离，然后随机（Bernoulli与 p=0.5p=0.5p=0.5）将边缘的值加倍或减半。这往往会降低所有值，最终达到零，但是如果我采取正确的步骤数，则可以得到μμ\mu 周围 222 和 σσ\sigma 周围 111。 我的问题是，首先，这是否是一个有趣问题的良好定义？理想情况下，我需要一个高度多模态的实例（对于最常见的邻域函数），并且在极小值附近只有很少的路径，因此大多数随机解都离最优值很远。第二个问题是，给出此描述后，如何生成具有此类特征的实例？

9 ds.algorithms  co.combinatorics  optimization  tsp  heuristics 

既然是星期五，是时候问CW了。我正在寻找在优化问题中广泛使用的启发式方法。为了将范围限制为更“理论友好”的启发式方法，以下是规则（有些是任意的，有些不是） 它应该是定义明确的方法，没有大量参数，并且具有具体的运行时间（可能是每次迭代） 它应该具有一些与之相关的已知理论结果（收敛速度，近似边界（如有），平稳性质等） 它应该具有广泛的适用性，并且至少是一种旗舰应用程序，无论是选择方法还是其中几种方法之一。 它不应该受到大自然的启发（尽管这似乎是轻率的反对，但我试图排除遗传算法，蚁群优化等）。 理想情况下，答案应采用以下格式：这是一个示例。 名称：交替优化 目标：最小化（通常是非凸的）函数F（x ，y）f(x,y)f(x,y) 条件：相关功能G（x ）=分ÿF（x ，y）g(x)=minyf(x,y)g(x) = \min_y f(x,y) 和 ħ （ÿ）=分XF（x ，y）h(y)=minxf(x,y)h(y) = \min_x f(x,y) 是凸的 算法：一世日ithi^{\text{th}} 迭代开始于 X一世，ÿ一世xi,yix_i, y_i。 xi+1←argminxf(x,yi)xi+1←arg⁡minxf(x,yi)x_{i+1} \leftarrow \arg \min_x f(x, y_i) yi+1←argminyf(xi+1,y)yi+1←arg⁡minyf(xi+1,y)y_{i+1} \leftarrow \arg\min_y f(x_{i+1}, y) 最知名的应用程序：kkk-表示，迭代最接近的对。 理论：关于的已知结果kkk-手段，框架全局最优的一般充分条件 ps：您可能会发现您的答案最终成为了我正在计划的算法研讨会的演讲：)

9 ds.algorithms  reference-request  optimization  heuristics