用于冗余分配问题蒙特卡洛优化的基于模型的提议学习

基于摘要分析。本文研究多状态系统（MSSs）的异构冗余分配问题（RAP），针对崎岖组合优化空间中易陷入局部最优、均匀全局提议难以到达低能量区域的问题，提出无拒绝蒙特卡洛采样方法，并通过基于模型的提议学习引导搜索进入更有希望的离散状态区域。 机制与贡献：摘要以基于随机逼近蒙特卡洛（SAMC）的 optimization-by-sampling 为背景，指出仅依赖均匀分布的马尔可夫链全局移动缺乏有效信息，可能导致全局探索不足。本文的核心思路是学习提议机制，以改善“到哪里采样”的选择，而不只是增加采样次数。摘要未说明模型形式、提议分布的更新规则、目标分布定义，以及无拒绝采样如何维持目标分布性质，这些均需全文核对。 结果与证据边界：作者报告，在一组基准实例上，所提方法相较若干当时先进方法具有更好的解质量与计算效率。摘要未给出实例规模、约束条件、具体对照方法、数值结果或计算预算，因而不能判断优势幅度，也不能据此比较不同实验协议下的性能；实验协议、消融及统计信息尚未验证。 适用范围：原论文主要研究可靠性系统的组合优化，并非 State Space Model 神经序列建模，也不是 EEG 解码或 BCI 验证研究。摘要尚未建立其离散优化机制与具体 EEG/BCI 瓶颈的对应关系，因此不据此提出迁移效果判断或复现实验建议。已有 EEG 相关工作尚未检索确认。