論文の概要: EoH-S: Evolution of Heuristic Set using LLMs for Automated Heuristic Design

• arxiv url: http://arxiv.org/abs/2508.03082v2
• Date: Wed, 20 Aug 2025 10:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 14:45:44.928419
• Title: EoH-S: Evolution of Heuristic Set using LLMs for Automated Heuristic Design
• Title（参考訳）: EoH-S:自動ヒューリスティック設計のためのLCMを用いたヒューリスティック集合の進化
• Authors: Fei Liu, Yilu Liu, Qingfu Zhang, Xialiang Tong, Mingxuan Yuan,
• Abstract要約: 大規模言語モデル(LLM)駆動型自動ヒューリスティックデザイン(AHD)の新しい定式化を提案する。 AHSDの目的は、多様な問題インスタンスを提供するための小さな補完セットを自動生成することである。 AHSDの目的関数は単調で超モジュラーであることを示す。 相補的な集団管理と相補的なミーメティックサーチの2つの新しいメカニズムにより、EoH-Sは、高品質で相補的な一般化のセットを効果的に生成することができた。
• 参考スコア（独自算出の注目度）: 15.564389442540387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Heuristic Design (AHD) using Large Language Models (LLMs) has achieved notable success in recent years. Despite the effectiveness of existing approaches, they only design a single heuristic to serve all problem instances, often inducing poor generalization across different distributions or settings. To address this issue, we propose Automated Heuristic Set Design (AHSD), a new formulation for LLM-driven AHD. The aim of AHSD is to automatically generate a small-sized complementary heuristic set to serve diverse problem instances, such that each problem instance could be optimized by at least one heuristic in this set. We show that the objective function of AHSD is monotone and supermodular. Then, we propose Evolution of Heuristic Set (EoH-S) to apply the AHSD formulation for LLM-driven AHD. With two novel mechanisms of complementary population management and complementary-aware memetic search, EoH-S could effectively generate a set of high-quality and complementary heuristics. Comprehensive experimental results on three AHD tasks with diverse instances spanning various sizes and distributions demonstrate that EoH-S consistently outperforms existing state-of-the-art AHD methods and achieves up to 60\% performance improvements.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いた自動ヒューリスティックデザイン(AHD)は近年顕著な成功を収めている。 既存のアプローチの有効性にもかかわらず、それらはすべての問題インスタンスに対処するために単一のヒューリスティックしか設計していない。 この問題に対処するため,LLM駆動型AHDの新しい定式化であるAutomated Heuristic Set Design (AHSD)を提案する。 AHSDの目的は、各問題インスタンスを少なくとも1つのヒューリスティックで最適化できるように、様々な問題インスタンスを提供するための小さな補完的ヒューリスティックセットを自動生成することである。 AHSDの目的関数は単調で超モジュラーであることを示す。 次に,LLM駆動型AHDにAHSD定式化を適用するために,EoH-S(Evolution of Heuristic Set)を提案する。 相補的な集団管理と相補的なメメティックサーチの2つの新しいメカニズムにより、EoH-Sは、高品質で相補的なヒューリスティックのセットを効果的に生成することができた。 3つのAHDタスクに対する総合的な実験結果から、EoH-Sは既存の最先端のAHDメソッドを一貫して上回り、最大60%の性能改善を実現していることが示された。

関連論文リスト

• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• Monte Carlo Tree Search for Comprehensive Exploration in LLM-Based Automatic Heuristic Design [33.58608225370497]
  大規模言語モデル (LLM) に基づく自動設計 (AHD) 手法は、手作業による介入なしに高品質な設計を作成することを約束している。 本稿では,進化進化にモンテカルロ木探索(MCTS)を用いることを提案する。
  論文  参考訳（メタデータ） (2025-01-15T06:00:50Z)
• HSEvo: Elevating Automatic Heuristic Design with Diversity-Driven Harmony Search and Genetic Algorithm Using LLMs [7.04316974339151]
  ヒューリスティック・デザインは、複雑な探索とNP-ハード最適化の問題を解くのに有用であることから、活発な研究分野である。 適応型LLM-EPSフレームワークであるHSEvoを導入する。
  論文  参考訳（メタデータ） (2024-12-19T16:07:00Z)
• GRAPE: Generalizing Robot Policy via Preference Alignment [58.419992317452376]
  GRAPE: 優先度アライメントによるロボット政策の一般化について述べる。 GRAPEはドメイン内および未確認操作タスクにおける成功率をそれぞれ51.79%、58.20%向上させる。 GRAPEは安全性や効率、衝突速度の37.44%、ロールアウト長さの11.15%といった様々な目標に合わせることができる。
  論文  参考訳（メタデータ） (2024-11-28T18:30:10Z)
• Hierarchical Preference Optimization: Learning to achieve goals via feasible subgoals prediction [71.81851971324187]
  本研究は階層型強化学習(HRL)の新しいアプローチである階層型優先度最適化(HPO)を導入する。 HPOは、複雑なロボット制御タスクを解く際に、非定常性と非実用的なサブゴール生成の問題に対処する。 挑戦的なロボットナビゲーションと操作タスクの実験はHPOの素晴らしいパフォーマンスを示しており、ベースラインよりも最大35%改善されている。
  論文  参考訳（メタデータ） (2024-11-01T04:58:40Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Automatic programming via large language models with population self-evolution for dynamic job shop scheduling problem [12.535474591707105]
  本稿では,人間専門家の自己回帰的デザイン戦略に触発された一般検索フレームワークである,新規な自己進化的手法を提案する。 実験の結果,提案手法はGP, GEP, エンドツーエンドの深層強化学習法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-30T02:54:31Z)
• Multi-objective Evolution of Heuristic Using Large Language Model [29.337470185034555]
  探索を多目的最適化問題としてモデル化し、最適性能を超える追加の実践的基準を導入することを検討する。 我々は,最初の多目的探索フレームワークである多目的ヒューリスティック進化(MEoH)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T12:32:41Z)
• T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
  大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。 我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。 Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
  論文  参考訳（メタデータ） (2024-04-13T12:14:58Z)
• Multimodal Instruction Tuning with Conditional Mixture of LoRA [51.58020580970644]
  本稿では,Low-Rank Adaption (LoRA) とマルチモーダル命令チューニングを統合した新しい手法を提案する。 各入力インスタンスのユニークな要求に合わせた低ランク適応行列を動的に構築することで、LoRAを革新する。 様々なマルチモーダル評価データセットの実験結果から、MixLoRAは従来のLoRAを同等以上のランクで上回るだけでなく、性能も向上していることが示された。
  論文  参考訳（メタデータ） (2024-02-24T20:15:31Z)
• ReEvo: Large Language Models as Hyper-Heuristics with Reflective Evolution [35.39046514910755]
  本稿では,言語ハイパーヒューリスティックス(LHHs)について紹介する。 LHHを効果的に探索するための進化探索(ReEvo)と、空間内の言語的勾配を提供する反射の新たな統合である。
  論文  参考訳（メタデータ） (2024-02-02T05:04:51Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)

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。