43、用于设计和调整随机局部搜索的集成白盒+黑盒方法

用于设计和调整随机局部搜索的集成白盒+黑盒方法

1. 引言

随机局部搜索（SLS）算法，也被称为元启发式算法（如禁忌搜索、迭代局部搜索等），已被广泛用于解决大规模NP难组合（优化）问题（COP），且常常能取得令人瞩目的成果。然而，算法设计者通常需要投入大量精力来设计和调整SLS的实现，以获得良好的效果。

现实世界中的COP往往是新问题或经典COP的变体，可能尚未得到充分研究，也没有已知的算法。即便COP C′与已知有良好SLS算法S的经典COP C相似，直接将SLS S应用于COP C′通常也无法立即获得良好的性能。因此，有必要为COP C′调整现有的SLS算法或创建新的SLS算法。人们常说，为COP创建一个可行的SLS算法很容易，但要调整该算法以在问题实例上实现良好性能却很困难。

大多数研究仅关注SLS参数值的微调问题。纯粹的微调假定合适的SLS组件和搜索策略已经确定，我们只需为这些组件和策略找到合适的参数。在本文中，我们将SLS设计和调整问题视为一个整体问题，即为SLS找到一个合适的配置，包括参数值、组件选择和搜索策略，以便在一类COP实例上取得良好的结果。

SLS设计和调整问题通常有两种通用方法：
1. 黑盒方法 ：使用自动微调。其目标是开发特殊的“调整算法”，以系统且高效的方式探索SLS配置空间。人类设计SLS并指定一个初始配置空间，由自动调整算法进行探索。调整算法在给定的配置空间和计算资源要求内找到最佳配置。黑盒方法的示例包括F - Race、CALIBRA、搜索参数优化和iMDF等。
2. 白盒方法 ：利用人类智能和/或视觉感知。其目标是创建工具或方法来