sql99的博客

本文研究了文本碎片重建与工具切换问题（ToSP）的算法应用。在文本碎片重建方面，对比了VNS算法与链式Lin Kernighan启发式算法，并探讨了转换为对称TSP问题的求解效果，指出半自动化系统结合用户交互可高效恢复文档。在ToSP方面，分析了多种传统方法的局限性，提出一种结合排列遗传算法与爬山法的模因算法，实验表明其在减少工具切换次数上优于现有方法。整体工作展示了智能优化算法在复杂组合问题中的有效性和潜力。

本文探讨了条状碎纸文本文件重构问题（RSSTD）的多种解决方法。首先将RSSTD转化为非对称广义旅行商问题（AGTSP），并提出一种新的转化方法将其高效转化为经典旅行商问题（TSP），避免传统方法中边成本剧增和节点翻倍的问题。结合改进的成本函数c2，考虑像素邻域信息以提升匹配精度，并采用链式Lin-Kernighan启发式算法求解TSP。同时，引入可变邻域搜索（VNS）与人类交互相结合的HuGS框架，利用VND进行局部优化，通过用户禁止错误邻接、锁定正确片段等方式引导搜索方向，显著提高重构质量。实验结果表明

本文研究了条带粉碎文本文件的重建（RSSTD）问题，将其形式化为组合优化问题并证明其为NP难。通过转化为非对称广义旅行商问题（AGTSP）进而转化为TSP，结合链式Lin-Kernighan等算法求解；同时提出基于变邻域搜索（VNS）的元启发式方法，并引入融合用户交互的半自动化系统以提升实际效果。实验表明，所提方法优于现有算法，尤其在人机协同下能高效解决复杂实例，未来可进一步优化目标函数并引入深度学习技术提升性能。

本文研究了基于拉格朗日分解与元启发式算法的混合优化方法，用于解决带冗余约束的网络连接问题。通过Suurballe-Tarjan算法高效计算节点不相交路径，并结合最小生成树增强启发式（MSTAH）、变邻域搜索（VNS）和贪婪随机自适应搜索过程（GRASP）构建高质量可行解。提出连接交换、关键路径交换及连接移除等多种邻域结构，提升局部搜索能力。采用体积算法求解拉格朗日对偶问题，并设计顺序与交错两种混合策略，结合变邻域下降（VND）改进原始解，显著缩小上下界差距。实验结果表明，该混合方法在真实城市网络实例上表现优

本文探讨了混合局部搜索技术在广义平衡学术课程问题（GBACP）中的应用，以及拉格朗日分解、可变邻域搜索（VNS）、GRASP及其混合方法在光纤网络最后一公里设计问题中的表现。针对GBACP，研究比较了复杂与简单策略，并提出需结合强化机制以提升性能；同时指出了当前模型在课程体系建模方面的局限性。在网络设计方面，采用抽象ILP模型结合拉格朗日分解获得高质量下界和可行解，并引入VNS与GRASP等元启发式方法进行优化，结果显示混合方法在解的质量上表现更优。未来工作将聚焦于方法优化、问题扩展及混合策略的深入探索。

本文介绍了广义课程分配问题（GBACP）及其混合局部搜索求解技术。在传统课程分配问题的基础上，GBACP引入了课程体系和教师偏好等实际因素，构建更贴近现实的模型。通过定义搜索空间、初始解和邻域关系，并结合多种局部搜索组件（如最陡下降法、模拟退火、禁忌搜索等），利用广义局部搜索机（GLSM）框架组合策略进行优化。实验结果表明，模拟退火（SA）和动态禁忌搜索（DTS）在多起点策略下表现优异，能有效平衡负载与偏好约束，提升求解质量。

本文探讨了在变邻域搜索（VNS）中提升性能的多种邻域启发式算法，包括ConflictVar系列算法及其在RLFAP和GRAPH实例上的实验表现，结果显示ConflictVar - MaxDeg和ConflictVar - Cost在多数情况下优于传统方法。同时，研究还提出了一种针对广义平衡学术课程问题（BACP）的混合局部搜索技术，结合模拟退火、动态禁忌搜索和大邻域搜索，在求解效率和扩展性方面表现出色。通过新实例测试与解决方案验证器的提供，为后续研究奠定了基础。未来工作将聚焦参数优化及与其他算法的对比分析。

本文提出了一系列针对加权约束满足问题（WCSP）的新邻域启发式算法，旨在增强变邻域搜索方法VNS/LDS + CP的性能。这些新算法不仅考虑冲突变量，还引入了约束图的拓扑结构和约束的违反成本信息，以更有效地指导搜索过程。通过在真实实例（CELAR）和随机实例（GRAPH）上的实验验证，新启发式算法如ConflictVar-Connected、ConflictVar-Star、ConflictAndSatVar-Star、ConflictVar-MaxDeg和ConflictVar-H-Cost均显著优于传统

本文介绍了一种将TSP启发式算法集成到多目标进化算法中以解决双目标环星问题（B-RSP）的方法。通过随机键编码、基于ISH的种群初始化、灵活的重组与变异算子，以及自适应的GENIUS改进过程，构建了高效的混合元启发式算法（HM）。实验结果表明，该方法在多个TSPLIB基准实例上显著优于ACS和无GENIUS的HM2版本，尤其在降低环成本和提升非支配解质量方面表现突出。未来研究方向包括优化GENIUS应用策略、尝试替代TSP算法及设计通用多目标混合模型。

本文研究了货运列车调度与双目标环星问题（B-RSP）的高效算法。在货运列车调度中，结合迭代贪心与局部搜索的随机局部搜索算法在大规模实例上表现优异，而迭代蚁群算法未显著提升性能，表明简单算法在实际应用中的有效性。针对B-RSP，提出一种融合多目标进化算法与TSP启发式GENIUS的混合元启发式算法（HM），通过分阶段进化和问题特定优化，显著改进非支配解集的质量。未来方向包括大规模实例测试、混合精确算法探索及种群初始化与启发式策略的优化。研究强调算法组合与渐进式开发在复杂优化问题中的关键作用。

本文研究了现实世界中循环列车调度问题的多种算法，重点探讨了贪心启发式算法（g-CVSPTW、mg-CVSPTW）、迭代贪心算法（IG-CVSPTW、IG-LS-CVSPTW）以及混合迭代蚂蚁算法在最小化运营成本中的应用。通过实验对比，IG-LS-CVSPTW在处理大规模实例时表现出色，能在短时间内生成高质量解决方案，并优于现有ILP方法的上界结果。文章还分析了各类算法的性能优势与适用场景，提出了未来优化方向。

本文研究了组合优化中的作业车间调度和货运列车调度问题，重点介绍了Tabu VVI算法在作业车间调度中的优越性能，并对比了其与PM、NS等算法的求解质量与效率。针对德国铁路货运调度问题，文章建模为带时间窗的循环车辆调度问题（CVSPTW），并提出改进的迭代贪心算法结合局部搜索的方法，在合理时间内显著提升了求解质量。尽管与蚁群算法混合效果有限，但研究为实际调度问题提供了有效解决方案，并指明了未来算法融合与应用拓展的方向。

本文介绍了一种结合禁忌搜索与有效不等式的Tabu VVI算法，用于求解作业车间调度问题（JSSP）。该算法通过GRASP B&B生成初始可行解，并利用禁忌搜索和大步破坏-重建策略优化调度方案。文中详细阐述了算法的两个阶段：构建可行解与迭代优化，包括关键操作块、邻域移动、禁忌长度及有效不等式的应用。通过对132个基准实例的测试，结果显示Tabu VVI在解的质量和计算效率方面均优于多种现有方法，尤其在多数实例上实现了更低的相对误差和更短的运行时间。文章还提供了与其他主流算法的性能对比，并总结了其优势与实际应用

本文介绍了两种创新的优化算法：增量粒子群引导局部搜索（IPSOLS）和结合有效不等式的优化搜索启发式算法（Tabu VVI）。IPSOLS通过智能体的个体与社会学习机制，在连续优化问题中平衡探索与利用，适用于多模态函数优化；Tabu VVI则融合禁忌搜索与有效不等式验证，用于解决如作业车间调度等NP难的组合优化问题。文章对比了两种算法的优势与适用场景，分析了实际应用案例，并探讨了各自的改进方向，为复杂优化问题提供了新的解决思路。

本文介绍了一种结合个体学习与社会学习机制的增量粒子群引导的局部搜索算法（IPSOLS），用于解决连续优化问题。该算法在传统粒子群优化基础上引入增量式群体增长、垂直与水平社会学习以及基于Powell方法的局部搜索，提升了收敛速度与解的质量。通过在六个100维基准函数上的实验，对比PSO、IPSO、PSOLS和RLS等算法，结果表明IPSOLS在多数问题上表现更优，尤其在复杂多峰函数中展现出更强的全局搜索能力与鲁棒性。同时分析了局部搜索步长对算法性能的影响，指出中等步长（10%-20%搜索范围）效果最佳。研究表

本文介绍了一种基于LS链和CMA-ES的模因算法MA-LSCh-CMA，该算法结合稳态遗传算法与CMA-ES局部搜索，在保持种群多样性的同时增强局部开发能力。通过在CEC2005多模态函数上的实验，验证了其在30维连续空间优化中的高效性。结果表明，该算法对参数Istr敏感度低，且在与标准MACO、重启局部搜索及DEahcSPX等先进算法的比较中表现出显著优势。研究还展示了其在复杂多模态问题中的应用潜力，并提出了参数优化、扩展局部搜索方法和并行化等未来研究方向。

本文介绍了两种智能算法在路由与连续优化问题中的应用：用于周期性定位路由问题（PLRP）的具种群管理的模因算法（MA|PM）和用于连续优化问题的基于局部搜索链的模因算法（MACO）。MA|PM在多类型实例中表现出良好性能，尤其适用于复杂组合优化问题；MACO通过集成CMA-ES等强烈连续局部搜索算法，提升了对连续空间的搜索效率与精度。文章还分析了两种算法的机制、优势及实际应用场景，并展望了未来研究方向。

本文提出了一种基于种群管理的模因算法（MA|PM）来解决物流与运输领域中的周期性定位路由问题（PLRP）。该算法通过小种群策略、局部搜索改进和基于距离的种群管理机制，在保证解多样性的同时提升求解质量。文章详细介绍了算法的染色体结构、交叉与修复操作、局部搜索邻域策略以及种群动态管理流程，并通过三组实验实例验证了其有效性。结果表明，MA|PM在多数情况下优于传统方法，显著降低了总成本并减少了计算时间，为复杂路由规划问题提供了高效解决方案。

本文介绍了两种用于解决物流优化问题的高效算法：集成在POPMUSIC框架中的变邻域搜索算法（VNS）和用于周期性定位-路由问题（PLRP）的带种群管理的模因算法（MA|PM）。通过分析距离度量方法、算法机制及实验结果，展示了它们在大规模多配送中心车辆路径规划和多周期仓库选址与服务调度中的应用价值。文章还对比了算法性能，提出了实际应用建议与未来发展方向，为物流行业提供理论支持和技术参考。

本文介绍了一种基于POPMUSIC框架集成变邻域搜索（VNS）的启发式方法，用于高效解决大规模多仓库带时间窗的车辆路径问题（MDVRPTW）。通过将复杂问题分解为多个子问题，并结合VNS的扰动与局部搜索机制，该方法在处理现实世界的大规模实例时表现出优越性能。文章详细阐述了问题建模、算法设计、不同接近度测量策略的对比及数值实验结果，分析了各类方法在不同场景下的适用性，并提出了未来在算法优化、多目标处理和动态环境扩展的研究方向。

本研究探讨了在随机库存控制中应用部分可观测马尔可夫决策过程（POMDP）的补货周期策略（R, S），并提出一种结合强化学习与进化计算的新文化算法架构CURL。通过将SARSA(λ)、NGA和CURL三种算法应用于五个基准库存问题，实验结果表明CURL在性能上优于传统进化算法，并在高度非马尔可夫环境下展现出超越强化学习算法的潜力。研究还针对实际应用场景对算法进行了参数调整与优化，验证了CURL在复杂库存管理问题中的有效性与前景。未来工作将拓展CURL至更复杂的库存系统及标准POMDP问题，推动智能库存控制的发

本文提出了一种解决部分可观测马尔可夫决策过程（POMDPs）的新混合方法——文化强化学习（CURL），结合了强化学习的局部优化与进化计算的全局搜索优势。CURL通过共享状态-动作值Q(s,a)作为‘信念空间’，在进化过程中动态更新策略并利用时序差分学习进行引导，提升了策略收敛速度与质量。该方法被应用于复杂的随机库存控制问题，实验结果表明其性能优于单独的SARSA(λ)和基于GENITOR的噪声遗传算法（NGA）。文章还证明了CURL在pl<1条件下的收敛性，并展示了其在非马尔可夫环境中的潜力，为高维、不确定

本文研究了基于进化扰动机制的迭代局部搜索（ILS）算法在19个二进制优化问题上的性能表现。通过与多种当代扰动方法（如SILS、PILS、GILS、ILS/GM）及增强多样化的ILS变体（如ILS-RW、CILS）进行对比，实验结果表明，采用µCHC扰动机制的ILS算法在不同扰动强度下均显著优于其他方法。特别地，ILS-µCHC在σp0.25时表现最佳，显示出其在处理高多样性搜索空间中的优势。结合Wilcoxon检验和可视化分析，验证了该方法的有效性，并探讨了影响性能的关键因素，提出了实际应用建议与未来研究方

本文介绍了一种基于进化算法的新型扰动技术——µCHC，并将其应用于迭代局部搜索（ILS）框架中，提出ILS-µCHC混合元启发式算法。该方法结合了PILS的种群思想与GILS的交叉机制，通过小规模种群和受限评估策略在保持ILS高效性的同时增强搜索能力。实验表明，ILS-µCHC在二进制优化问题上相比PILS、GILS和ILS/GM等算法具有更优的解质量和更快的收敛速度。文章还探讨了该算法的未来研究方向，包括参数优化、应用拓展、多技术融合及理论分析。