Onderzoek Unconfirmed

Prioriteren van Zoekruimtes in het Probleem van Lage Autocorrelatie Binaire Sequenties

Gepubliceerd 14 July 2026

AI-samenvatting, gecontroleerd door de redactie.

Het probleem van lage autocorrelatie binaire sequenties (LABS) is een uitdagende combinatorische optimalisatie met belangrijke toepassingen in communicatie en signaalverwerking. Dit artikel stelt een hybride zoekframework voor dat Thompson-sampling combineert met parallelle zelfvermijdende wandelingen om de rekeninspanningen adaptief toe te wijzen aan verschillende klassen binnen de LABS-zoekruimte. Door partitions als armen in een multi-armed bandit setting te modelleren, verschuift de methode dynamisch de zoekbronnen naar partitions met hogere meritefactoren, terwijl ook minder onderzochte gebieden worden verkend. Experimentele resultaten tonen verbeteringen aan in de beste bekende resultaten voor verschillende sequentielengtes, met een nieuwe langste sequentie die een meritefactor van meer dan 8.0 behaalt.

Betrouwbaarheid
70
Relevantie
80
Impact
75
Urgentie
50

Oorspronkelijke bronnen (1)

Deze pagina toont geen volledige brontekst - lees het origineel voor de volledige context.

  • Primaire bron Prioritizing Search Space Regions in the Low Autocorrelation Binary Sequences Problem
    arXiv - cs.LG (Machine Learning) · 14-07-2026 · ResearchPublication
    Lees origineel
Fout gezien of correctie nodig? Neem contact op.