Per citar aquest document: http://ddd.uab.cat/record/158313
A statistical learning based approach for parameter fine-tuning of metaheuristics
Calvet, Laura (Universitat Oberta de Catalunya)
Juan, Angel A. (Universitat Oberta de Catalunya)
Serrat, Carles (Universitat Politècnica de Catalunya. Departament de Matemàtica Aplicada I)
Ries, Jana (University of Portsmouth. Portsmouth Business School)

Data: 2016
Resum: Metaheuristics are approximation methods used to solve combinatorial optimization problems. Their performance usually depends on a set of parameters that need to be adjusted. The selectionof appropriate parameter values causes a loss of efficiency, as it requires time, and advanced analytical and problem-specific skills. This paper provides an overview of the principal approaches to tackle the Parameter Setting Problem, focusing on the statistical procedures employed so far by the scientific community. In addition, a novel methodology is proposed, which is tested using an already existing algorithm for solving the Multi-Depot Vehicle Routing Problem.
Drets: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Llengua: Anglès.
Document: article ; recerca ; publishedVersion
Matèria: Parameter fine-tuning ; Metaheuristics ; Statistical learning ; Biased randomization
Publicat a: SORT : statistics and operations research transactions, Vol. 40 Núm. 1 (January-June 2016) , p. 201-224 (Articles) , ISSN 1696-2281

Adreça original: http://www.raco.cat/index.php/SORT/article/view/310078


24 p, 294.5 KB
 Accés restringit a la UAB

El registre apareix a les col·leccions:
Articles > Articles publicats > SORT : Statistics and Operations Research Transactions
Articles > Articles de recerca

 Registre creat el 2016-06-21, darrera modificació el 2016-07-25



   Favorit i Compartir