On the use of fitness landscape features in meta-learning based algorithm selection for the quadratic assignment problem

2020 ◽  
Vol 805 ◽  
pp. 62-75
Author(s):  
Augusto Dantas ◽  
Aurora Pozo
Keyword(s):  
Assignment Problem ◽  
Fitness Landscape ◽  
Quadratic Assignment Problem ◽  
Quadratic Assignment ◽  
Algorithm Selection ◽  
Landscape Features ◽  
Meta Learning ◽  
Selection For

scholarly journals Thompson Sampling in Heuristic Selection for the Quadratic Assignment Problem

2021 ◽  
Author(s):  
Carlos Daniel Pohlod ◽  
Sandra M. Venske ◽  
Carolina P. Almeida
Keyword(s):  
Assignment Problem ◽  
Quadratic Assignment Problem ◽  
Quadratic Assignment ◽  
Thompson Sampling ◽  
Selection For

Este trabalho propõe uma Hiper-Heurística (HH) de seleção baseada na abordagem Thompson Sampling (TS) para a solução do Problema Quadrático de Alocação (PQA). O PQA tem como objetivo a alocação de instalações em um conjunto de possíveis localidades já conhecidas, a fim de minimizar o custo total de todas as movimentações entre as instalações. A HH proposta é aplicada na configuração automática de um algoritmo memético, atuando na seleção de uma combinação de heurísticas de baixo nível. Cada combinação envolve a seleção de uma heurística de recombinação, de uma estratégia de busca local e de uma heurística de mutação. O algoritmo foi analisado em 15 instâncias do benchmark Nug e o desempenho da HH é superior àquele obtido por qualquer combinação de heurísticas aplicada de forma isolada, demonstrando a sua eficiência na configuração automática do algoritmo. Os experimentos mostram que o desempenho da TS é afetado pela qualidade do conjunto de heurísticas de baixo nível. A melhor versão da HH obtém a solução ótima em 9 instâncias e o desvio médio percentual da solução ótima (gap), considerando todas as 15 instâncias foi de 8,6%, sendo que os maiores gaps foram encontrados para as três maiores instâncias.

Sign in / Sign up

Export Citation Format

Share Document