論文の概要: Paradiseo: From a Modular Framework for Evolutionary Computation to the Automated Design of Metaheuristics ---22 Years of Paradiseo---

• arxiv url: http://arxiv.org/abs/2105.00420v1
• Date: Sun, 2 May 2021 08:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-04-01 19:48:42.317309
• Title: Paradiseo: From a Modular Framework for Evolutionary Computation to the Automated Design of Metaheuristics ---22 Years of Paradiseo---
• Title（参考訳）: Paradiseo: 進化的計算のためのモジュラーフレームワークからメタヒューリスティックスの自動設計へ ---パラディシオの22年--
• Abstract要約: ParadisEOは、モジュラーメタヒューリスティックの開発をターゲットとする、包括的なC++フリーソフトウェアである。 この記事では、モジュール化メタヒューリスティックスの開発を目標とする、包括的なC++フリーソフトウェアであるParadisEOフレームワークの特徴を要約する。
• 参考スコア（独自算出の注目度）: 33.056531655247625
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The success of metaheuristic optimization methods has led to the development of a large variety of algorithm paradigms. However, no algorithm clearly dominates all its competitors on all problems. Instead, the underlying variety of landscapes of optimization problems calls for a variety of algorithms to solve them efficiently. It is thus of prior importance to have access to mature and flexible software frameworks which allow for an efficient exploration of the algorithm design space. Such frameworks should be flexible enough to accommodate any kind of metaheuristics, and open enough to connect with higher-level optimization, monitoring and evaluation softwares. This article summarizes the features of the ParadisEO framework, a comprehensive C++ free software which targets the development of modular metaheuristics. ParadisEO provides a highly modular architecture, a large set of components, speed of execution and automated algorithm design features, which are key to modern approaches to metaheuristics development.
• Abstract（参考訳）: メタヒューリスティック最適化手法の成功は、多種多様なアルゴリズムパラダイムの開発につながった。 しかし、すべての問題で競合相手を圧倒するアルゴリズムはない。 代わりに、最適化問題の根底にある様々な状況は、それらを効率的に解くための様々なアルゴリズムを要求する。 したがって、アルゴリズム設計スペースの効率的な探索を可能にする成熟した柔軟なソフトウェアフレームワークにアクセスすることが、事前に重要である。 このようなフレームワークはあらゆるメタヒューリスティックに適合するほど柔軟で、より高いレベルの最適化、監視、評価ソフトウェアと接続するのに十分なオープンであるべきです。 この記事では、モジュール化メタヒューリスティックスの開発を目標とする、包括的なC++フリーソフトウェアであるParadisEOフレームワークの特徴を要約する。 ParadisEOは、高度にモジュール化されたアーキテクチャ、大規模なコンポーネントセット、実行速度、自動アルゴリズム設計機能を提供する。

関連論文リスト

• QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design [2.942531574809674]
  品質多様性最適化とLLM駆動探索を統合した多目的フレームワークを提案する。 QDEvoはHypervolumeとIn Generational Distanceの両方で最先端の手法を大幅に上回ることを示す。 我々のフレームワークは、高いパフォーマンス、計算効率、セマンティックに多様であるメトリクスの発見を可能にする。
  論文  参考訳（メタデータ） (2026-07-06T07:35:23Z)
• BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design [49.50107918295052]
  大規模言語モデルに基づくハイパーヒューリスティック(LHH)は、最近、自動設計の効率的な方法として登場した。 この問題に対処するために textbfBEAM (Bi-level Memory-adaptive Algorithmic Evolution) を提案する。 BEAMは既存のLHHよりも著しく優れており、特に最適性ギャップが37.84%減少している。
  論文  参考訳（メタデータ） (2026-04-14T15:46:47Z)
• Beyond Local Code Optimization: Multi-Agent Reasoning for Software System Optimization [6.321658281654116]
  大規模言語モデルとAIエージェントは、ソフトウェアパフォーマンスの最適化を自動化するという約束を最近示した。 既存のアプローチは主に、ローカルな構文駆動のコードに依存している。 本稿では、制御フローとデータフロー表現をアーキテクチャおよびクロスコンポーネント依存信号と統合するマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T01:21:50Z)
• Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
  EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。 商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
  論文  参考訳（メタデータ） (2026-03-09T05:13:44Z)
• Large Language Model-Driven Full-Component Evolution of Adaptive Large Neighborhood Search [10.045051163296877]
  本稿では、ALNSを分離し、すべてのコンポーネントを自動再構築する閉ループ・大規模言語モデル駆動進化フレームワークを提案する。 ALNSを破壊、修復、オペレータの選択、重み付け、初期ソリューション構築、受け入れルール、破壊段階制御という7つの重要なモジュールに分割し、各モジュールを専用のタスクで進化させます。
  論文  参考訳（メタデータ） (2026-03-07T02:41:14Z)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• TodoEvolve: Learning to Architect Agent Planning Systems [68.48983335970901]
  TodoEvolveは、タスク固有の計画を自律的に合成し、動的に修正するメタプランニングパラダイムである。 PlanFactoryは異種計画パターンの共通インターフェースを提供する。 TodoEvolveは、経済的なAPIコストとランタイムオーバーヘッドを維持しながら、慎重に設計された計画モジュールを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-08T06:37:01Z)
• Compiler.next: A Search-Based Compiler to Power the AI-Native Future of Software Engineering [3.8060608371616778]
  我々はAIネイティブソフトウェアシステムのシームレスな進化を可能にするために設計された新しい検索ベースのコンパイラであるCompiler.nextを紹介する。 従来の静的コンパイラとは異なり、Compiler.nextは人間によるインテントを取り込み、最適なソリューションを探すことで動作するソフトウェアを自動的に生成する。 本稿では、高品質なプログラミング構造の開発、効率的な検索構造、コンパイラ間の相互運用性など、インテントコンパイルにおける中核的な課題に対処するためのロードマップを示す。
  論文  参考訳（メタデータ） (2025-10-27T21:01:48Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution [39.42526347710991]
  大規模言語モデル(LLM)はアルゴリズム生成と最適化の自動化を大幅に加速した。 LLMに基づくエンドツーエンドのアルゴリズム生成と最適化フレームワークを提案する。 我々のアプローチは、LLMの深い意味理解を利用して、自然言語の要求や人間による論文をコードソリューションに変換する。
  論文  参考訳（メタデータ） (2025-03-13T08:26:18Z)
• Automatic Operator-level Parallelism Planning for Distributed Deep Learning -- A Mixed-Integer Programming Approach [6.449961842220686]
  本稿では,最適性と計算効率のバランスをとる二段階のソリューションフレームワークを提案する。 我々のフレームワークは、同等または優れた性能を実現し、同じメモリ制約下で計算バブルを半分に減らします。 このような能力は、最適な並列化戦略を探求するための貴重な研究ツールであり、大規模なAIデプロイメントのための実践的な産業ソリューションである。
  論文  参考訳（メタデータ） (2025-03-12T13:00:29Z)
• METAFOR: A Hybrid Metaheuristics Software Framework for Single-Objective Continuous Optimization Problems [0.1053373860696675]
  本稿では,メタヒューリスティクスを自動設計するアルゴリズム構成ツールと組み合わせて,メタヒューリスティクスを自動設計する,METAFORと呼ばれるモジュール型メタヒューリスティクスソフトウェアフレームワークを提案する。 我々は,17種類のメタヒューリスティックな実装を自動的に生成し,その性能を一連の連続最適化問題で評価する。
  論文  参考訳（メタデータ） (2025-02-16T18:24:44Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Iterative or Innovative? A Problem-Oriented Perspective for Code Optimization [81.88668100203913]
  大規模言語モデル(LLM)は、幅広いプログラミングタスクを解く上で強力な能力を示している。 本稿では,パフォーマンス向上に着目したコード最適化について検討する。
  論文  参考訳（メタデータ） (2024-06-17T16:10:10Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Machine Learning Augmented Branch and Bound for Mixed Integer Linear Programming [11.293025183996832]
  Mixed Linear Programming (MILP)は、幅広いアプリケーションに対して強力なモデリング言語を提供する。 近年,ブランチ・アンド・バウンドアルゴリズムに関わる主要なタスクをすべて強化するための機械学習アルゴリズムの利用が爆発的な発展を遂げている。 特に、分岐とバウンドの効率の指標を自動的に最適化する機械学習アルゴリズムに注意を払っている。
  論文  参考訳（メタデータ） (2024-02-08T09:19:26Z)
• Towards a Systems Theory of Algorithms [9.4471844989393]
  我々は、他のアルゴリズム、物理システム、人間、データベースと相互作用するオープンな動的システムとして、アルゴリズムを見ることを好む。 注目すべきことに、システム理論の傘下で開発された多様体ツールは、アルゴリズム領域における様々な課題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-01-25T09:20:21Z)
• Introducing Interactions in Multi-Objective Optimization of Software Architectures [2.920908475492581]
  本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。 関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
  論文  参考訳（メタデータ） (2023-08-29T07:49:46Z)
• MOF: A Modular Framework for Rapid Application of Optimization Methodologies to General Engineering Design Problems [0.0]
  Modular Optimization Framework (MOF) は最適化アルゴリズムの開発と適用を容易にするために開発された。 MOFはPython 3で書かれており、オブジェクト指向プログラミングを使用して、ユーザーが新しい最適化アルゴリズムを簡単に組み込むことができるモジュラーデザインを作成している。
  論文  参考訳（メタデータ） (2022-04-01T00:02:30Z)
• Design-Bench: Benchmarks for Data-Driven Offline Model-Based Optimization [82.02008764719896]
  ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。 本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。 私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
  論文  参考訳（メタデータ） (2022-02-17T05:33:27Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)
• Automatic Generation of Algorithms for Black-Box Robust Optimisation Problems [0.0]
  モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。 我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。 アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
  論文  参考訳（メタデータ） (2020-04-15T18:51:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。