研究成果：基于多标签 k 近邻方法实现元启发式算法的排名推荐
作者：崔建双，尚天泽（通讯作者），杨帆，蔚婧文
发表期刊：控制与决策（FMS T1）
本文设计并实证研究了一种基于多标签k近邻方法(Multi-Label k-Nearest Neighbor,ML-kNN) 推荐元启发式算法的实现框架.应用多标签k近邻分类学习技术,实现了最佳元启发式算法的排名推荐.为了验证效果,以多模式资源约束项目调度问题(MRCPSP)为优化对象,选取不同规模的数百个算例分别提取问题基本特征和地标特征;选用遗传、粒子群、禁忌搜索、蜂群和蚁群5种元启发式算法;使用ML-kNN建立元推荐模型;利用海明损失、单错误率、覆盖率、排位损失和平均准确率5个指标对推荐效果做出分析和评价.实验结果表明,基于ML-kNN方法推荐元启发式算法效果突出.其中基于地标特征的单错误率指标为18.4%,平均准确率达到88.9%.相对于kNN方法,ML-kNN取得了更好的推荐结果.此外,ML-kNN 方法可实现对所有备选算法的排名推荐.该研究结论有望推广应用到其他组合优化问题的优化算法推荐.
文献来源：崔建双,尚天泽,杨帆,等.基于多标签k近邻方法实现元启发式算法的排名推荐[J].控制与决策, 2022, 37(5):10.DOI:10.13195/j.kzyjc.2020.1470.