Adaptive Diversifying Hyper-Heuristic Based Approach for Timetabling Problems

Habashi, Suzanne S.; Salama, Cherif; Yousef, Ahmed H.; Fahmy, Hossam Mahmoud Ahmad

doi:10.1109/iemcon.2018.8615035

Cited by 7 publications

(12 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…(10) Worse Fit (H 10 ). It assigns the most repeated value if possible, without violating the hard constraints on a randomly selected variable [42]. For GCP and CVRP, we assign a node or city to the most repeated timeslot, color, or vehicle.…”

Section: Low-levelmentioning

confidence: 99%

A Methodology to Determine the Subset of Heuristics for Hyperheuristics through Metalearning for Solving Graph Coloring and Capacitated Vehicle Routing Problems

et al. 2021

View full text Add to dashboard Cite

In this work, we focus on the problem of selecting low-level heuristics in a hyperheuristic approach with offline learning, for the solution of instances of different problem domains. The objective is to improve the performance of the offline hyperheuristic approach, identifying equivalence classes in a set of instances of different problems and selecting the best performing heuristics in each of them. A methodology is proposed as the first step of a set of instances of all problems, and the generic characteristics of each instance and the performance of the heuristics in each one of them are considered to define the vectors of characteristics and make a grouping of classes. Metalearning with statistical tests is used to select the heuristics for each class. Finally, we used the Naive Bayes to test the set instances with k-fold cross-validation, and we compared all results statistically with the best-known values. In this research, the methodology was tested by applying it to the problems of capacitated vehicle routing (CVRP) and graph coloring (GCP). The experimental results show that the proposed methodology can improve the performance of the offline hyperheuristic approach, correctly identifying the classes of instances and applying the appropriate heuristics in each case. This is based on the statistical comparison of the results obtained with those of the state of the art of each instance.

show abstract

Section: Low-levelmentioning

confidence: 99%

A Methodology to Determine the Subset of Heuristics for Hyperheuristics through Metalearning for Solving Graph Coloring and Capacitated Vehicle Routing Problems

et al. 2021

View full text Add to dashboard Cite

show abstract

“…El aprendizaje en línea se presenta cuando hay una retroalimentación por parte del problema y hay modificaciones en las configuraciones iniciales del algoritmo [14] [38]. El aprendizaje fuera de línea ocurre sí la hiper-heurística ha guardado conocimiento previo adquirido al resolver otras instancias del problema, con la intención de ser aplicado a ejemplos desconocidos [10] [11].…”

Section: Aprendizaje En Las Hiper-heurísticasunclassified

“…Por lo que el desempeño del algoritmo depende de la configuración inicial dada por el investigador. [12] Las hiper-heurística que presentan aprendizaje en línea, se encuentran basados en la implementación de mecanismos que tengan la capacidad de calificar un determinado aspecto del algoritmo [14] [38]. Típicamente evaluar el desempeño de las heurísticas de bajo nivel durante cada etapa del proceso de optimización [51] [52].…”

Section: Aprendizaje En Las Hiper-heurísticasunclassified

“…Usualmente los mecanismos de aprendizaje en línea suelen presentar las siguientes características: una puntuación inicial, una memoria definida, una estrategia base para la selección (con base en la puntuación) y un mecanismo de actualización de los puntajes obtenidos durante cierto periodo de tiempo [14] [51].…”

Section: Aprendizaje En Las Hiper-heurísticasunclassified

“…Cada heurística de bajo nivel es evaluada durante el proceso de optimización, y dependiendo de los resultados obtenidos en el desarrollo de la búsqueda, tendrán mayor posibilidad de ser seleccionada en el futuro. Las heurísticas de bajo nivel que no han tenido resultados adecuados, también tienen la oportunidad de participar en otras etapas del problema, donde tal vez se puedan obtener un mejor desempeño (particularmente el ejemplo descrito es una hiper-heurística con retroalimentación en línea) [14].…”

Section: Introductionunclassified

See 2 more Smart Citations