論文の概要: RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework

• arxiv url: http://arxiv.org/abs/2505.13808v1
• Date: Tue, 20 May 2025 01:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.586499
• Title: RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework
• Title（参考訳）: RAG/LLM拡張スイッチング駆動多型メタヒューリスティックフレームワーク
• Authors: Faramarz Safi Esfahani, Ghassan Beydoun, Morteza Saberi, Brad McCusker, Biswajeet Pradhan,
• Abstract要約: Polymorphic Metaheuristic Framework (PMF) は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構である。 AIによる意思決定と自己修正メカニズムを統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開いた。
• 参考スコア（独自算出の注目度）: 5.10888539576355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metaheuristic algorithms are widely used for solving complex optimization problems, yet their effectiveness is often constrained by fixed structures and the need for extensive tuning. The Polymorphic Metaheuristic Framework (PMF) addresses this limitation by introducing a self-adaptive metaheuristic switching mechanism driven by real-time performance feedback and dynamic algorithmic selection. PMF leverages the Polymorphic Metaheuristic Agent (PMA) and the Polymorphic Metaheuristic Selection Agent (PMSA) to dynamically select and transition between metaheuristic algorithms based on key performance indicators, ensuring continuous adaptation. This approach enhances convergence speed, adaptability, and solution quality, outperforming traditional metaheuristics in high-dimensional, dynamic, and multimodal environments. Experimental results on benchmark functions demonstrate that PMF significantly improves optimization efficiency by mitigating stagnation and balancing exploration-exploitation strategies across various problem landscapes. By integrating AI-driven decision-making and self-correcting mechanisms, PMF paves the way for scalable, intelligent, and autonomous optimization frameworks, with promising applications in engineering, logistics, and complex decision-making systems.
• Abstract（参考訳）: メタヒューリスティックアルゴリズムは複雑な最適化問題を解くために広く用いられているが、その有効性は固定構造と広範囲なチューニングの必要性によって制約されることが多い。 PMF(Polymorphic Metaheuristic Framework)は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構を導入することで、この制限に対処する。 PMFは、PMA(Polymorphic Metaheuristic Agent)とPMSA(Polymorphic Metaheuristic Selection Agent)を利用して、鍵となる性能指標に基づいてメタヒューリスティックアルゴリズムを動的に選択し、遷移し、継続的な適応を保証する。 このアプローチは収束速度、適応性、ソリューションの品質を高め、高次元、動的、マルチモーダルな環境において伝統的なメタヒューリスティックよりも優れている。 ベンチマーク関数を用いた実験結果から,PMFは,様々な問題領域における停滞を緩和し,探索・探索戦略のバランスをとることにより,最適化効率を著しく向上することが示された。 AIによる意思決定と自己修正機構を統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開き、エンジニアリング、ロジスティクス、複雑な意思決定システムにおいて有望な応用が期待できる。

関連論文リスト

• A Perturbation and Speciation-Based Algorithm for Dynamic Optimization Uninformed of Change [1.4425878137951238]
  Perturbation and Speciation-Based Particle Swarm Optimization (PSPSO) は、非インフォームド動的最適化のための頑健なアルゴリズムである。 PSPSOは、投射に基づくニチング、不活性化、DOPを処理するための新しいランダム摂動機構を組み合わせたものである。 PSPSOは、一般化された移動ピークベンチマークにおいて、高次元性または高周波数変化を持つ関数の強度を示す。
  論文  参考訳（メタデータ） (2025-05-16T18:53:37Z)
• PER-DPP Sampling Framework and Its Application in Path Planning [5.158004370485019]
  意思決定中心の強化学習フレームワークは、高度な制御システム研究で注目されている。 本研究では,強化学習体験再生機構におけるサンプル問題に対する方法論的改善を提案する。 多様性評価にDPP(Determinant Point Process)を導入することにより、適応的な選択プロトコルを備えた二重基準サンプリングフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-10T14:58:16Z)
• 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)
• MOANA: Multi-Objective Ant Nesting Algorithm for Optimization Problems [21.80971564725773]
  Multi-Objective Ant Nesting Algorithm (MOANA)は、Ant Nesting Evolutionary Algorithm (ANA)の新たな拡張である。 MOANAは、多目的シナリオにおけるスケーラビリティと多様性を改善することによって、従来の進化的アルゴリズムの重要な制限に対処する。 MOANAの溶接ビーム設計のような実世界のエンジニアリング最適化への適用性は、幅広い最適解を生成する能力を示している。
  論文  参考訳（メタデータ） (2024-11-08T18:31:53Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Large Language Model Aided Multi-objective Evolutionary Algorithm: a Low-cost Adaptive Approach [4.442101733807905]
  本研究では,大規模言語モデル(LLM)と従来の進化的アルゴリズムを組み合わせることで,アルゴリズムの探索能力と一般化性能を向上させる新しいフレームワークを提案する。 適応機構内の補助的評価関数と自動的プロンプト構築を活用し, LLM の利用を柔軟に調整する。
  論文  参考訳（メタデータ） (2024-10-03T08:37:02Z)
• An Adaptive Metaheuristic Framework for Changing Environments [0.0]
  本稿では動的環境向けに設計された適応メタヒューリスティックフレームワーク(AMF)を紹介する。 AMFは、問題の動的表現、リアルタイムセンシングシステム、適応技術を組み合わせて、継続的に変化する最適化環境をナビゲートする。
  論文  参考訳（メタデータ） (2024-04-18T13:47:53Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)

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。