Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation

Identification

Clé publique
radar:r-86574912f3a3a17e0afe6a01d0f189ad
Auteurs
Zhiyuan Wang · Shengcai Liu · Peng Yang · Ke Tang
Année déclarée
2025
Langue déclarée
en
Type source
article
Première détection
2026-11-14T02:38:50.569629+00:00
Dernière observation des métadonnées
2026-11-14T02:38:50.569629+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Southern University of Science and Technology

Pays d’affiliation déclarés

CN

Résumé documentaire — langue originale

Generalization is the core objective when training optimizers from data. However, limited training instances often constrain the generalization capability of the trained optimizers. Co-evolutionary approaches address this challenge by simultaneously evolving a parallel algorithm portfolio (PAP) and an instance population to eventually obtain PAPs with good generalization. Yet, when applied to a specific problem class, these approaches have a major limitation. They require practitioners to provide instance generators specially tailored to the problem class, which is often non-trivial to design. This work proposes a general-purpose, off-the-shelf PAP construction approach, named domain-agnostic co-evolution of parameterized search (DACE), for binary optimization problems where decision variables take values of 0 or 1. The key novelty of DACE lies in its neural network-based domain-agnostic instance representation and generation mechanism that eliminates the need for domain-specific instance generators. The strong generality of DACE is validated across three real-world binary optimization problems: the complementary influence maximization problem (CIMP), the compiler arguments optimization problem (CAOP), and the contamination control problem (CCP). Given only a small set of training instances from these problem classes, DACE, without requiring domain knowledge, constructs PAPs with even better generalization performance than existing approaches on all three classes, despite their use of domain-specific instance generators.

Identifiants

OPENALEX
https://openalex.org/W4416366522
DOI
10.1109/tevc.2025.3635185

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Institute of Electrical and Electronics Engineers

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Zhiyuan Wang; Shengcai Liu; Peng Yang; Ke Tang. Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation. 2025. https://doi.org/10.1109/tevc.2025.3635185

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Zhiyuan Wang; Shengcai Liu; Peng Yang; Ke Tang. (2025). Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation. https://doi.org/10.1109/tevc.2025.3635185
Chicago
Zhiyuan Wang; Shengcai Liu; Peng Yang; Ke Tang. Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation. 2025. https://doi.org/10.1109/tevc.2025.3635185
ISO 690
Zhiyuan Wang; Shengcai Liu; Peng Yang; Ke Tang. Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation. 2025. https://doi.org/10.1109/tevc.2025.3635185

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Evolving Generalizable Parallel Algorithm Portfolios for Binary Optimization Problems via Domain-Agnostic Instance Generation. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-86574912f3a3a17e0afe6a01d0f189ad/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1109/tevc.2025.3635185

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature