BigMaxRedutor como o próprio nome diz, é um redutor de matrizes ( chegou a bater record mundial por algumas horas 27,7,6,8=168)

O BigMaxRedutor é um solver/redutor combinatório voltado a problemas de cobertura parametrizados por V, K, T e M. A versão 15.4 foi consolidada como uma revisão paramétrica: ela não adiciona um novo operador de busca, mas melhora a gestão de orçamento, a diversidade de bacias, o KICK de escape e a expansão do domínio do FocusedDefectChain.

A filosofia do programa é genérica. O comportamento deve ser determinado pelos parâmetros da instância e pelo estado real da busca, e não por regras específicas para um único conjunto V,K,T,M. Uma redução pode ou não existir, e o solver pode ou não alcançá-la dentro do orçamento escolhido; o requisito principal é que a busca, a certificação e a preservação das elites sejam tecnicamente coerentes.

Pipeline de alto nível do Record Breaker

Arquivo / semente
   ↓
ParentCheck / certificação
   ↓
TShadow estrutural + smart_shrink / FocusedShrink
   ↓
ValidManifold / diversidade de elites
   ↓
Estado de trabalho b
   ↓
Workers (INTENSIFY / EXPLORE / DEEP)
   ↓
TLS-Dir + repair + endgames
   ↓
BasinMemory / AntiAttr / Rollback / KICK
   ↓
Elite preservada ou cost=0

Nem todos os mecanismos são obrigatoriamente executados em toda chamada. A v15.4 usa gates, bandas de precisão, saturação e memória de bacias para evitar disparar operadores caros sem necessidade.

 Requisitos e compilação no Windows

·        Windows 64 bits.

·        Visual Studio 2026 ou Build Tools equivalentes com compilador MSVC C++ x64.

·        Suporte a C++20 e biblioteca padrão correspondente.

·        Pasta de trabalho com permissão de leitura e gravação.

 Compilação recomendada

Abra o prompt de desenvolvimento x64 do Visual Studio/Build Tools, navegue para a pasta extraída e execute o script:

cd C:\Users\<usuario>\Documents\C++\BigMaxRedutor_v15.4
build_vs2026

Ao final, o executável esperado é:

BigMaxRedutor_v15.4.exe

Referências
[1] Kirkpatrick, S.; Gelatt, C. D.; Vecchi, M. P.. Optimization by Simulated Annealing. Science, 220(4598), 671–680, 1983. https://doi.org/10.1126/science.220.4598.671
[2] Glover, F.. Tabu Search—Part I. ORSA Journal on Computing, 1(3), 190–206, 1989. https://doi.org/10.1287/ijoc.1.3.190
[3] Feo, T. A.; Resende, M. G. C.. Greedy Randomized Adaptive Search Procedures. Journal of Global Optimization, 6, 109–133, 1995. https://doi.org/10.1007/BF01096763
[4] Burke, E. K.; Bykov, Y.. The Late Acceptance Hill-Climbing Heuristic. European Journal of Operational Research, 258(1), 70–78, 2017. https://doi.org/10.1016/j.ejor.2016.07.012
[5] Lourenço, H. R.; Martin, O. C.; Stützle, T.. Iterated Local Search. Handbook of Metaheuristics, pp. 320–353, 2003. https://doi.org/10.1007/0-306-48056-5_11
[6] Pisinger, D.; Røpke, S.. Large Neighborhood Search. Handbook of Metaheuristics, 3rd ed., pp. 99–127, 2018. https://doi.org/10.1007/978-3-319-91086-4_4
[7] Voudouris, C.; Tsang, E. P. K.. Guided Local Search and Its Application to the Traveling Salesman Problem. European Journal of Operational Research, 113(2), 469–499, 1999. https://doi.org/10.1016/S0377-2217(98)00099-X
[8] Mladenović, N.; Hansen, P.. Variable Neighborhood Search. Computers & Operations Research, 24(11), 1097–1100, 1997. https://doi.org/10.1016/S0305-0548(97)00031-2
[9] Schönheim, J.. On Coverings. Pacific Journal of Mathematics, 14(4), 1405–1411, 1964. https://doi.org/10.2140/pjm.1964.14.1405