論文の概要: Quality Diversity Genetic Programming for Learning Scheduling Heuristics

• arxiv url: http://arxiv.org/abs/2507.02235v1
• Date: Thu, 03 Jul 2025 02:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.471932
• Title: Quality Diversity Genetic Programming for Learning Scheduling Heuristics
• Title（参考訳）: スケジューリングヒューリスティック学習のための品質多様性遺伝的プログラミング
• Authors: Meng Xu, Frank Neumann, Aneta Neumann, Yew Soon Ong,
• Abstract要約: 品質多様性最適化(QD: Quality-Diversity optimization)は、進化的アルゴリズムにおける多面的アプローチであり、高い性能と多様なソリューションのセットを生成することを目的としている。 本稿では,動的スケジューリング問題に対する新しいQDフレームワークを提案する。 そこで本研究では,遺伝子型をそれらの行動にリンクすることで,その解を可視化するマップ構築戦略を提案し,QDマップ上での表現を可能にする。
• 参考スコア（独自算出の注目度）: 36.015695494167495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world optimization often demands diverse, high-quality solutions. Quality-Diversity (QD) optimization is a multifaceted approach in evolutionary algorithms that aims to generate a set of solutions that are both high-performing and diverse. QD algorithms have been successfully applied across various domains, providing robust solutions by exploring diverse behavioral niches. However, their application has primarily focused on static problems, with limited exploration in the context of dynamic combinatorial optimization problems. Furthermore, the theoretical understanding of QD algorithms remains underdeveloped, particularly when applied to learning heuristics instead of directly learning solutions in complex and dynamic combinatorial optimization domains, which introduces additional challenges. This paper introduces a novel QD framework for dynamic scheduling problems. We propose a map-building strategy that visualizes the solution space by linking heuristic genotypes to their behaviors, enabling their representation on a QD map. This map facilitates the discovery and maintenance of diverse scheduling heuristics. Additionally, we conduct experiments on both fixed and dynamically changing training instances to demonstrate how the map evolves and how the distribution of solutions unfolds over time. We also discuss potential future research directions that could enhance the learning process and broaden the applicability of QD algorithms to dynamic combinatorial optimization challenges.
• Abstract（参考訳）: 現実世界の最適化は、しばしば多様な高品質のソリューションを必要とする。 品質多様性最適化(QD: Quality-Diversity optimization)は、進化的アルゴリズムにおける多面的アプローチであり、高い性能と多様なソリューションのセットを生成することを目的としている。 QDアルゴリズムは様々な領域に適用され、多様な行動ニッチを探索することで堅牢なソリューションを提供している。 しかし、それらのアプリケーションは静的な問題に主に焦点を合わせており、動的組合せ最適化問題の文脈での探索は限られている。 さらに、QDアルゴリズムの理論的理解は、特に複雑な動的組合せ最適化領域の解を直接学習するのではなく、ヒューリスティックス(英語版)の学習に適用する場合は、まだ未熟である。 本稿では,動的スケジューリング問題に対する新しいQDフレームワークを提案する。 本稿では, ヒューリスティックなジェノタイプをそれらの行動にリンクさせることで, 解空間を可視化するマップ構築戦略を提案する。 このマップは多様なスケジューリングヒューリスティックの発見と維持を容易にする。 さらに、固定および動的に変化するトレーニングインスタンスについて実験を行い、マップがどのように進化し、解の分布が時間とともにどのように広がるかを示す。 また,学習過程を向上し,動的組合せ最適化問題へのQDアルゴリズムの適用性を拡大する将来的な研究方向性についても論じる。

関連論文リスト

• Overcoming Deceptiveness in Fitness Optimization with Unsupervised Quality-Diversity [4.787389127632926]
  政策最適化は、目標あるいは適合度関数に従って制御問題に対する最良の解を求める。 本稿では,教師なしQDアルゴリズムがドメインの専門知識を使わずに,知覚的最適化問題を効率的に解くことを示す。
  論文  参考訳（メタデータ） (2025-04-02T17:18:21Z)
• Theoretical Analysis of Quality Diversity Algorithms for a Classical Path Planning Problem [12.1622929638257]
  本稿では,古典的計画問題に対する品質多様性(QD)アルゴリズムの挙動について検討する。 この結果から,Map-Elites QDアルゴリズムは各ノードの最短経路を並列に計算できることがわかった。
  論文  参考訳（メタデータ） (2024-12-16T04:58:32Z)
• Quantum Inspired Chaotic Salp Swarm Optimization for Dynamic Optimization [4.44483539967295]
  我々は量子コンピューティングの原理を統合するQSSOとして知られるSSAの変種について研究する。 カオス演算子は、変化への対応と個々の検索可能性の向上を保証するために量子コンピューティングで使用される。 約束通り、導入されたQCSSOは、DOPのライバルアルゴリズムとして発見される。
  論文  参考訳（メタデータ） (2024-01-21T02:59:37Z)
• SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
  大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。 数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-19T17:56:40Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
  メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。 本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
  論文  参考訳（メタデータ） (2022-10-23T22:21:10Z)
• Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
  本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。 シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
  論文  参考訳（メタデータ） (2022-09-15T07:22:58Z)
• Analysis of Quality Diversity Algorithms for the Knapsack Problem [14.12876643502492]
  我々は,knapsack問題における動的プログラミング動作のシミュレーションにQDパラダイムを適用した。 予測された擬似ポリノミカル時間内に最適解を計算することができることを示す。
  論文  参考訳（メタデータ） (2022-07-28T12:15:33Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。