1. Обнаружение табу-поиска с помощью глубокого обучения для больших систем MIMO (arXiv)
Автор:НханТхань Нгуен, Кьюнгчун Ли
Аннотация: в этом исследовании мы рассматриваем применение глубокого обучения (DL) для обнаружения табу-поиска (TS) в больших системах с несколькими входами и несколькими выходами (MIMO). Во-первых, мы предлагаем архитектуру глубокой нейронной сети для обнаружения символов, называемую сетью обнаружения с разреженной связью с быстрой сходимостью (FS-Net), которая получается путем оптимизации предшествующих сетей обнаружения, называемых DetNet и ScNet. Затем мы предлагаем алгоритм TS с помощью DL, в котором начальное решение аппроксимируется предложенной FS-Net. Кроме того, в этом алгоритме адаптивный алгоритм раннего завершения и модифицированный процесс поиска выполняются на основе прогнозируемой ошибки аппроксимации, которая определяется из начального решения на основе FS-Net, так что оптимальное решение может быть достигнуто раньше. Результаты моделирования показывают, что предложенный алгоритм обеспечивает снижение сложности примерно на 90% для системы MIMO 32×32 с QPSK по сравнению с существующими алгоритмами TS, сохраняя при этом практически ту же производительность.
2. Усовершенствованная эвристика поиска табу для статической проблемы с набором номера (arXiv)
Автор: Сонгуанг Хо, Сарат Чандра Нагаварапу, Рамеш Рамасами Панди, Джастин Дауэлс
Аннотация : Маршруты для нескольких транспортных средств приобретают все большее значение в связи с быстрым развитием технологии автономных транспортных средств. Проблема набора номера, вариант задачи маршрутизации транспортных средств (VRP), касается распределения запросов клиентов по транспортным средствам, планирования времени посадки и высадки, а также последовательности обслуживания этих запросов путем обеспечения высокой степени удовлетворенности клиентов. минимальные затраты на поездку. В этой статье мы предлагаем усовершенствованную эвристику поиска табу (ITS) для статической задачи набора номера (DARP) с целью получения высококачественных решений в короткие сроки. Два новых метода, эвристика инициализации и настройка временного окна, предлагаются для достижения более быстрой сходимости к глобальному оптимуму. Для предлагаемой методологии решения проводятся различные численные эксперименты с использованием тестовых экземпляров DARP из литературы, и проверяется скорость сходимости.
Кластеризация 3.K-средних с использованием табу-поиска с квантованными средними (arXiv)
Автор: Коджо Сарфо Гьямфи, Джеймс Брюси, Эндрю Хант.
Аннотация: Метаэвристика поиска табу (TS) была предложена для кластеризации K-средних в качестве альтернативы алгоритму Ллойда, который, несмотря на простоту реализации и быстрое время выполнения, имеет главный недостаток, заключающийся в ловушке на локальные оптимумы. Хотя подход TS может обеспечить превосходную производительность, он связан с высокой вычислительной сложностью. Более того, сложность выбора параметров в существующем подходе TS не делает его более привлекательным. В этой статье представлена альтернативная, несложная формулировка процедуры оптимизации TS для кластеризации K-средних. Этот подход не требует множества настроек параметров. Первоначально мы ограничиваем центры точками в наборе данных. Затем мы стремимся развивать эти центры, используя уникальную структуру соседства, которая использует информацию о градиенте целевой функции. Это приводит к эффективному исследованию пространства поиска, после чего средства уточняются. Предлагаемая схема реализована в MATLAB и протестирована на четырех реальных наборах данных, и она обеспечивает значительное улучшение по сравнению с существующим подходом TS с точки зрения суммы квадратов внутри кластера и времени вычислений.
