Key points are not available for this paper at this time.
Em muitas aplicações práticas, problemas ou cenários de otimização semelhantes geralmente aparecem repetidamente. Aprender com experiências anteriores de resolução de problemas pode ajudar a ajustar componentes do algoritmo de meta-heurísticas, por exemplo, selecionando adaptativamente operadores de busca promissores, para alcançar um melhor desempenho em otimização. No entanto, essas experiências obtidas a partir de problemas resolvidos anteriormente, denominadas experiências offline, podem, às vezes, fornecer percepções enganosas ao resolver um novo problema, se as características dos problemas anteriores e do novo forem relativamente diferentes. Aprender com experiências online obtidas durante o processo de resolução de problemas em andamento é mais instrutivo, mas altamente restrito por recursos computacionais limitados. Este artigo foca na combinação eficaz de experiências offline e online. Uma nova estrutura híbrida que aprende a selecionar dinamicamente e adaptativamente operadores de busca promissores é proposta. Dois módulos de seleção de operadores adaptativos com paradigmas complementares cooperam na estrutura para aprender com experiências offline e online e tomar decisões. Uma política de decisão adaptativa é mantida para equilibrar o uso desses dois módulos de maneira online. Experimentos extensivos em 170 problemas de otimização de valor real amplamente estudados e um conjunto de referência com 34 instâncias para otimização combinatória mostram que a estrutura híbrida proposta supera os métodos de ponta. O estudo de ablação verifica a eficácia de cada componente da estrutura.
Pei et al. (Mon,) estudaram essa questão.