低自相关二元序列问题中搜索空间区域的优先级

arXiv:2607.09688v1 公告类型：新 摘要：低自相关二进制序列问题 (LABS) 是一项硬组合优化挑战，在通信、信号处理和卫星导航领域具有重要应用。本文提出了一种混合搜索框架，它将汤普森采样与并行自回避行走相结合，以跨 LABS 搜索空间的限制类别自适应地分配计算量。通过将分区建模为多臂老虎机设置中的臂，所提出的方法动态地将搜索资源转移到凭经验产生更高优点因子的分区，同时保持对采样较少区域的探索。该方法通过 GPU 并行执行、共享后验更新、高效邻域评估和用于循环预防的布隆过滤器进一步加速。此外，我们使用两阶段优化策略，首先搜索受约束的分区倾斜对称空间，然后在不受限制的空间中细化最佳候选空间。对长二进制序列的实验表明，所提出的方法改进了之前在 $450 \le L \le 527$ 范围内的 35 个序列长度和 $L=573$ 范围内的最佳结果。特别是，我们报告了一个新的最长序列，其优点因子超过 $8.0$，是在 $L=451$ 下获得的。结果还表明，汤普森采样有效地优先考虑了具有更好观察性能的分区，证实了 LABS 优化中在线、数据驱动的资源分配的价值。总体而言，所提出的框架为高性能绩效因子最大化提供了可扩展且有效的策略。