Please use this identifier to cite or link to this item: http://hdl.handle.net/10609/70716
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCalvet Liñán, Laura-
dc.contributor.authorJuan, Angel A.-
dc.contributor.authorSerrat Piè, Carles-
dc.contributor.authorRies, Jana-
dc.date.accessioned2017-12-14T13:42:00Z-
dc.date.available2017-12-14T13:42:00Z-
dc.date.issued2016-01-
dc.identifier.citationCalvet Liñan, L., Juan, A.A., Serrat, C. & Ries, Jana (2016). "A statistical learning based approach for parameter fine-tuning of metaheuristics". SORT: Statistics and Operations Research Transactions, 40(1), pp. 1-24. ISSN 1696-2281.-
dc.identifier.issn1696-2281MIAR
-
dc.identifier.urihttp://hdl.handle.net/10609/70716-
dc.description.abstractMetaheuristics 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.en
dc.description.abstractLas metaheurísticas son métodos de aproximación utilizados para resolver problemas combinatorios de optimización. Su rendimiento generalmente depende de un conjunto de parámetros que deben ajustarse. La selección de valores de parámetros apropiados causa una pérdida de eficiencia, ya que requiere tiempo y habilidades analíticas avanzadas y específicas de un problema. Este documento proporciona una visión general de los principales enfoques para abordar el problema de configuración de parámetros, centrándose en los procedimientos estadísticos empleados hasta ahora por la comunidad científica. Además, se propone una nueva metodología, que se prueba utilizando un algoritmo ya existente para resolver el problema de enrutamiento de vehículos de varios depósitos.es
dc.description.abstractLes metaheurístiques són mètodes d'aproximació utilitzats per resoldre problemes combinatoris d'optimització. El seu rendiment generalment depèn d'un conjunt de paràmetres que s'han d'ajustar. La selecció de valors de paràmetres apropiats causa una pèrdua d'eficiència, ja que requereix temps i habilitats analítiques avançades i específiques d'un problema. Aquest document proporciona una visió general dels principals enfocaments per abordar el problema de configuració de paràmetres, centrant-se en els procediments estadístics emprats fins ara per la comunitat científica. A més, es proposa una nova metodologia, que es prova utilitzant un algoritme ja existent per resoldre el problema d'enrutament de vehicles de diversos dipòsits.ca
dc.format.mimetypeapplication/pdf-
dc.language.isoeng-
dc.publisherSORT: Statistics and Operations Research Transactions-
dc.rightsCC BY-NC-ND-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectparameter fine-tuningen
dc.subjectajust de paràmetresca
dc.subjectajuste de parámetroses
dc.subjectmetaheuristicsen
dc.subjectmetaheurísticases
dc.subjectmetaheurístiquesca
dc.subjectstatistical learningen
dc.subjectaprendizaje estadísticoes
dc.subjectaprenentatge estadísticca
dc.subjectbiased randomizationen
dc.subjectaleatorización sesgadaes
dc.subjectaleatorització esbiaixadaca
dc.subject.lcshMathematical optimizationen
dc.titleA statistical learning based approach for parameter fine-tuning of metaheuristics-
dc.typeinfo:eu-repo/semantics/article-
dc.subject.lemacOptimització matemàticaca
dc.subject.lcshesOptimización matemáticaes
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
dc.identifier.doi10.2436/20.8080.02.41-
dc.gir.idAR/0000003852-
Appears in Collections:Articles cientÍfics
Articles

Files in This Item:
File Description SizeFormat 
Calvet_SORT16_A statistical.pdf294,47 kBAdobe PDFThumbnail
View/Open
Share:
Export:
View statistics

Items in repository are protected by copyright, with all rights reserved, unless otherwise indicated.