A Fast and Robust Heuristic Algorithm for the Minimum Weight Vertex Cover Problem
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The minimum weight vertex cover problem (MWVCP) is a fundamental combinatorial optimization problem with various real-world applications. The MWVCP seeks a vertex cover of an undirected graph such that the sum of the weights of the selected vertices is as small as possible. In this paper, we present an effective algorithm to solve the MWVCP. First, a master-apprentice evolutionary algorithm based on two individuals is conducted to enhance the diversity of solutions. Second, a hybrid tabu search combined configuration checking and solution-based tabu search is introduced to intensify local search procedure. Harnessing the power of the evolutionary strategy and a novel variant of hybrid tabu search, Master-Apprentice Evolutionary Algorithm with Hybrid Tabu Search, MAE-HTS, is presented. Results of extensive computational experiments using standard benchmark instances and other large-scale instances demonstrate the efficacy of our algorithm in terms of solution quality, running time, and robustness compared to state-of-the-art heuristics from the literature and the commercial MIP solver Gurobi. We also systematically analyze the role of each individual component of the algorithm which when worked in unison produced superior outcomes. In particular, MAE-HTS produced improved solutions for 2 out of 126 public benchmark instances with better running time. In addition, our MAE-HTS outperforms other state-of-the-art algorithms DLSWCC and NuMWVC for 72 large scale MWVCP instances by obtaining the best results for 64 ones, while other two reference algorithms can only obtain 27 best results at most.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle