srp阅读记录②

最新推荐文章于 2024-12-22 15:37:25 发布

原创最新推荐文章于 2024-12-22 15:37:25 发布 · 789 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#论文阅读 #笔记 #学习

srp项目论文阅读笔记专栏收录该内容

2 篇文章

订阅专栏

论文摘要部分过后来到了：CCS CONCEPTS,网上查了一下，发现这是ACM论文中的分类标签。具体写了：Computing methodologies → Discrete space search; Heuristic

function construction; Combinatorial algorithms; Optimization algorithms.（计算方法→离散空间搜索；启发式函数构造；组合算法；优化算法。）好吧，这些标签还是一知半解。

然后是Introduction（介绍）部分：

第一段介绍了传统配送模式的不足，效率低，劳动力成本高，而无人机则效率高，经济效益也高。

第二段则介绍了亚马逊的一个无人机交付服务：Prime Air，很多公司也推出了相应的产品和航线。但是一个高效的无人机系统，提高交付效率，降低成本成为一个关键的挑战。

第三段讲到了一些重点：多车段，多无人机、多无人机收发问题的集成调度已被证明是一个np困难问题（这些问题在多项式时间内难以找到精确解，除非P=NP（一个未解决的数学问题））

总之就是非常难就对了。所以对于大型问题，需要使用近似算法、启发式算法或元启发式算法来求解。还提到了分治框架（可能类似于算法中学到的分治法？将复杂问题分成更小的简单的问题解决）通过将问题分解为更小、更易于管理的子问题来求解。在这个问题中，它包括任务分配和路线规划两个子问题。重点：这篇论文主要是分析路径规划问题，而任务分配问题用K-means聚类来解决。

第四段主要讨论了在大规模路由规划问题中，由于问题的复杂性，精确算法不适合用于求解，而元启发式算法则更为合适。自适应操作符选择（AOS）方法在提高算法性能中的重要性，并概述了两种主要的AOS方法类型：无状态AOS和基于状态的AOS。最后，它提到了现有AOS方法通常只关注每个操作符自身的性能，并提到了一些具体的AOS策略，同时指出了现有研究在考虑操作符之间顺序关系方面的不足。那这个操作符到底是啥？？

网上搜了一下：操作符指的是一种用于在解空间内搜索和产生新解的策略或函数。还搜了这段话中的一些概念（真的很多。。。）：

邻域搜索操作符（Neighborhood Search Operators）：邻域搜索操作符是元启发式算法中用于探索解空间的不同方法，例如交叉（crossover）、变异（mutation）和局部搜索等。这些操作符帮助算法在解空间中产生新的候选解。
自适应操作符选择（Adaptive Operator Selection, AOS）：自适应操作符选择是一种策略，它根据操作符的近期性能动态地选择最适合当前解空间的操作符。这种策略旨在提高算法的性能和效率。
无状态AOS（Stateless AOS）：无状态AOS方法不依赖于特定的解状态，而是仅基于每个操作符自身的性能来更新其奖励和选择概率。
基于状态的AOS（State-based AOS）：基于状态的AOS方法则根据当前解的状态来选择最适合的操作符。这通常涉及学习状态与操作符之间的映射关系。
概率匹配（Probability Matching, PM）：概率匹配是一种无状态的操作符选择策略，它通过增加性能好的操作符的选择概率来在探索和利用之间取得平衡。
Q-学习（Q-learning）：Q-学习是一种强化学习技术，用于学习在不同状态下选择每个操作符的Q值，以指导后续的操作符选择。
操作符顺序关系和依赖性（Operator Order Relationships and Dependencies）：尽管操作符的性能对于AOS方法至关重要，但操作符之间可能存在使用顺序或依赖关系，这在现有研究中往往被忽视。

总而言之，它列举了一些方法，但是最后还是提出，这些方法只关注每个操作符自身的性能，所以存在不足（按理说下一段应该就是要提出自己的改进方法了=—=）。

倒数第二段则介绍了论文具体的方法：两阶段迭代局部搜索元启发式方法和基于概率转移的算子选择方法。

两阶段：K-means聚类生成任务分配，AILS（自适应迭代局部搜索 Adaptive-Iterative-Local-Search）动态地、自适应地更新算子。

这里比较疑惑的问题是：论文中刚提到了AILS这个东东用来选择算子，然后后面又提出了ASO根据算子的历史性能和选择的算子，来计算算子的转移概率来确定下一个算子。怎么感觉有点像。。后面问了一下ai，得出了下面的回答：