論文の概要: ParBalans: Parallel Multi-Armed Bandits-based Adaptive Large Neighborhood Search
- arxiv url: http://arxiv.org/abs/2508.06736v1
- Date: Fri, 08 Aug 2025 22:30:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.527134
- Title: ParBalans: Parallel Multi-Armed Bandits-based Adaptive Large Neighborhood Search
- Title（参考訳）: ParBalans: 並列マルチアーマッドバンドベースの適応型大規模近隣検索
- Authors: Alican Yilmaz, Junyang Cai, Serdar Kadioglu, Bistra Dilkina,
- Abstract要約: 本稿では,MIPの適応型大近傍探索であるBaransの並列化機能について検討する。
我々はParBalansを紹介した。ParBalansは、解決レベルとアルゴリズムレベルの並列性を利用して、挑戦的なMIPインスタンスのパフォーマンスを改善する拡張である。
実験の結果,ParBalans は最先端の商用解法である Gurobi と比較して競争性能が高いことが示された。
- 参考スコア（独自算出の注目度）: 12.249099965011458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving Mixed-Integer Programming (MIP) problems often requires substantial computational resources due to their combinatorial nature. Parallelization has emerged as a critical strategy to accelerate solution times and enhance scalability to tackle large, complex instances. This paper investigates the parallelization capabilities of Balans, a recently proposed multi-armed bandits-based adaptive large neighborhood search for MIPs. While Balans's modular architecture inherently supports parallel exploration of diverse parameter configurations, this potential has not been thoroughly examined. To address this gap, we introduce ParBalans, an extension that leverages both solver-level and algorithmic-level parallelism to improve performance on challenging MIP instances. Our experimental results demonstrate that ParBalans exhibits competitive performance compared to the state-of-the-art commercial solver Gurobi, particularly on hard optimization benchmarks.
- Abstract（参考訳）: MIP(Mixed-Integer Programming)問題を解くには、その組合せの性質からかなりの計算資源を必要とすることが多い。
並列化は、ソリューションタイムを加速し、大規模で複雑なインスタンスに取り組むためのスケーラビリティを高めるための重要な戦略として現れています。
本稿では、最近提案されたマルチアームバンディットに基づくMIPの適応型大近傍探索であるBaransの並列化機能について検討する。
バランのモジュラーアーキテクチャは本質的に多様なパラメータ構成の並列探索をサポートするが、このポテンシャルは十分に検討されていない。
このギャップに対処するために、解決レベルとアルゴリズムレベルの並列性を両立させた拡張であるParBalansを導入し、挑戦的なMIPインスタンスの性能を改善する。
実験の結果,ParBalans は最先端の商用解法である Gurobi と比較して高い性能を示した。
関連論文リスト
- Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。
我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
論文 参考訳（メタデータ） (2025-03-01T21:25:21Z) - Balans: Multi-Armed Bandits-based Adaptive Large Neighborhood Search for Mixed-Integer Programming Problem [13.381261742433367]
混合整数プログラミング(MIP)は、様々な重要な最適化問題をモデル化し解決するための強力なパラダイムである。
オンライン学習機能を備えたMIPのための適応型メタソリューションであるBaransを提案する。
Balansは、デフォルトのMIP解決器よりもパフォーマンスが大幅に向上し、どの最良地区にもコミットするより優れ、最先端のMIPの大規模検索よりも改善されている。
論文 参考訳（メタデータ） (2024-12-18T22:32:13Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Query-Efficient Correlation Clustering with Noisy Oracle [17.11782578276788]
共同マルチアーマッドバンド(PE-CMAB)における純粋探索のパラダイムに根ざしたオンライン学習問題の2つの新しい定式化を導入する。
我々は,サンプリング戦略と古典近似アルゴリズムを組み合わせるアルゴリズムを設計し,それらの理論的保証について検討する。
本研究は, PE-CMABの場合のクラスタリング時アルゴリズムの最初の例であり, 基礎となるオフライン最適化問題はNP-hardである。
論文 参考訳（メタデータ） (2024-02-02T13:31:24Z) - A Fast Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [55.2480439325792]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。
本稿では,差分に基づく探索法 (CombGapE) アルゴリズムを提案する。
我々は,CombGapEアルゴリズムが,合成データセットと実世界のデータセットの両方において,既存の手法を大幅に上回っていることを数値的に示す。
論文 参考訳（メタデータ） (2023-06-15T15:37:31Z) - Planning in Markov Decision Processes with Gap-Dependent Sample
Complexity [48.98199700043158]
マルコフ決定過程における計画のための新しいトラジェクトリに基づくモンテカルロ木探索アルゴリズム MDP-GapE を提案する。
我々は, MDP-GapE に要求される生成モデルに対する呼び出し回数の上限を証明し, 確率の高い準最適動作を同定する。
論文 参考訳（メタデータ） (2020-06-10T15:05:51Z)
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。