論文の概要: LLM-Driven Instance-Specific Heuristic Generation and Selection

• arxiv url: http://arxiv.org/abs/2506.00490v2
• Date: Tue, 03 Jun 2025 03:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.195631
• Title: LLM-Driven Instance-Specific Heuristic Generation and Selection
• Title（参考訳）: LLM-Driven Instance-Specific Heuristic Generation and Selection
• Authors: Shaofeng Zhang, Shengcai Liu, Ning Lu, Jiahao Wu, Ji Liu, Yew-Soon Ong, Ke Tang,
• Abstract要約: 本稿では,インスタンス固有のパーティション生成の概念を導入する新しいフレームワークであるInstSpecHを提案する。 InstSpecHHは、インスタンス機能に基づいて、全体的な問題クラスをサブクラスに到達し、各問題サブクラスに対して差別化された自動設計を実行する。
• 参考スコア（独自算出の注目度）: 44.643538268800796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combinatorial optimization problems are widely encountered in real-world applications. Designing high-quality heuristic algorithms that efficiently approximate optimal solutions within reasonable time is a critical research challenge. In recent years, many works have explored integrating Large Language Models (LLMs) with Evolutionary Algorithms to automate heuristic algorithm design through prompt engineering. However, these approaches generally adopt a problem-specific paradigm, applying a single algorithm across all problem instances, failing to account for the heterogeneity across instances. In this paper, we propose InstSpecHH, a novel framework that introduces the concept of instance-specific heuristic generation. InstSpecHH partitions the overall problem class into sub-classes based on instance features and performs differentiated, automated heuristic design for each problem subclass. By tailoring heuristics to the unique features of different sub-classes, InstSpecHH achieves better performance at the problem class level while avoiding redundant heuristic generation for similar instances, thus reducing computational overhead. This approach effectively balances the trade-off between the cost of automatic heuristic design and the quality of the obtained solutions. To evaluate the performance of InstSpecHH, we conduct experiments on 4,500 subclasses of the Online Bin Packing Problem (OBPP) and 365 subclasses of the Capacitated Vehicle Routing Problem (CVRP). Experimental results show that InstSpecHH demonstrates strong intra-subclass and inter-subclass generalization capabilities. Compared to previous problem-specific methods, InstSpecHH reduces the average optimality gap by more than 5.6\% for OBPP and 0.9\% for CVRP. These results highlight the potential of instance-aware automatic heuristic design to further enhance solution quality.
• Abstract（参考訳）: 組合せ最適化の問題は、現実世界のアプリケーションで広く見られる。 妥当な時間内で最適な解を効率的に近似する高品質なヒューリスティックアルゴリズムを設計することは、重要な研究課題である。 近年,大規模言語モデル(LLM)を進化的アルゴリズムと統合して,迅速なエンジニアリングによるヒューリスティックアルゴリズム設計を自動化する研究が盛んに行われている。 しかしながら、これらのアプローチは一般的に問題固有のパラダイムを採用し、すべての問題インスタンスに1つのアルゴリズムを適用し、インスタンス間の不均一性を考慮していない。 本稿では,インスタンス固有のヒューリスティック生成の概念を導入する新しいフレームワークであるInstSpecHを提案する。 InstSpecHHは、全体の問題クラスをインスタンス機能に基づいてサブクラスに分割し、各問題サブクラスに対して区別された自動ヒューリスティック設計を実行する。 異なるサブクラスのユニークな機能にヒューリスティックを合わせることで、InstSpecHHは、類似インスタンスの冗長なヒューリスティック生成を避けながら、問題クラスレベルでのより良いパフォーマンスを実現し、計算オーバーヘッドを低減します。 このアプローチは、自動ヒューリスティック設計のコストと得られたソリューションの品質との間のトレードオフを効果的にバランスさせる。 InstSpecHHの性能を評価するために,Inline Bin Packing Problem(OBPP)の4,500サブクラスとCapacitated Vehicle Routing Problem(CVRP)の365サブクラスについて実験を行った。 実験結果から,InstSpecHHはサブクラス内およびサブクラス間における強力な一般化能力を示すことがわかった。 従来の問題固有法と比較して、InstSpecHHはOBPPでは5.6\%、CVRPでは0.9\%以上の平均最適性ギャップを減少させる。 これらの結果は、ソリューションの品質をさらに高めるために、インスタンス対応自動ヒューリスティック設計の可能性を強調している。

関連論文リスト

• 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 Benchmarking Environment for Worker Flexibility in Flexible Job Shop Scheduling Problems [0.0]
  生産スケジューリングにおいて、フレキシブルジョブショップスケジューリング問題(FJSSP)は、一連の操作を最適化し、それぞれの処理時間を異なるマシンに割り当てることを目的としている。 結果として生じる問題はFlexible Job Shop Scheduling Problem with Worker Flexibility (FJSSP-W)と呼ばれる。 本稿では、一般に受け入れられているFJSSPインスタンス402のコレクションを示し、労働者の柔軟性で拡張するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-27T15:56:12Z)
• Evolving Generalizable Parallel Algorithm Portfolios via Domain-Agnostic Instance Generation [27.138566940625385]
  一般化は、データからトレーニングする際の中核的な目的である。 並列アルゴリズムポートフォリオ(PAP)とインスタンス人口を同時に進化させることによって、共進化的アプローチはこの課題に対処する。 本研究は,パラメタライズドサーチ(DACE)のドメインに依存しない共進化という,汎用的で既成のPAP構築手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:48Z)
• Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
  一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。 汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。 我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
  論文  参考訳（メタデータ） (2023-10-10T01:39:04Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• A survey on multi-objective hyperparameter optimization algorithms for Machine Learning [62.997667081978825]
  本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。 メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。 また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
  論文  参考訳（メタデータ） (2021-11-23T10:22:30Z)
• Linear Matrix Factorization Embeddings for Single-objective Optimization Landscapes [0.755972004983746]
  ブラックボックス最適化では、機能は$(x,f(x))$サンプルのセットから導出する必要がある。 行列因数分解による線形次元の減少は、異なる問題インスタンス間の相関関係のより良い検出に大きく寄与することを示す。
  論文  参考訳（メタデータ） (2020-09-30T08:46:54Z)

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。