論文の概要: Key Principles in Cross-Domain Hyper-Heuristic Performance

• arxiv url: http://arxiv.org/abs/2509.02782v1
• Date: Tue, 02 Sep 2025 19:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.321411
• Title: Key Principles in Cross-Domain Hyper-Heuristic Performance
• Title（参考訳）: クロスドメインハイパーヒューリスティック性能の鍵となる原理
• Authors: Václav Sobotka, Lucas Kletzander, Nysret Musliu, Hana Rudová,
• Abstract要約: クロスドメイン選択ハイパーヒューリスティックスは、問題固有の探索アルゴリズムに関する何十年にもわたっての研究を、汎用的な探索戦略へと取り除くことを目的としている。 私たちは、このセットの構成と戦略的な変換に焦点を当てます。 自明な非バイアスランダム選択機構に対する変換の生効果を実証する。
• 参考スコア（独自算出の注目度）: 3.9146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain selection hyper-heuristics aim to distill decades of research on problem-specific heuristic search algorithms into adaptable general-purpose search strategies. In this respect, existing selection hyper-heuristics primarily focus on an adaptive selection of low-level heuristics (LLHs) from a predefined set. In contrast, we concentrate on the composition of this set and its strategic transformations. We systematically analyze transformations based on three key principles: solution acceptance, LLH repetitions, and perturbation intensity, i.e., the proportion of a solution affected by a perturbative LLH. We demonstrate the raw effects of our transformations on a trivial unbiased random selection mechanism. With an appropriately constructed transformation, this trivial method outperforms all available state-of-the-art hyper-heuristics on three challenging real-world domains and finds 11 new best-known solutions. The same method is competitive with the winner of the CHeSC competition, commonly used as the standard cross-domain benchmark. Moreover, we accompany several recent hyper-heuristics with such strategic transformations. Using this approach, we outperform the current state-of-the-art methods on both the CHeSC benchmark and real-world domains while often simplifying their designs.
• Abstract（参考訳）: クロスドメイン選択ハイパーヒューリスティックは、問題固有のヒューリスティック検索アルゴリズムに関する何十年もの研究を、適応可能な汎用検索戦略へと取り除くことを目的としている。 この点で、既存の選択超ヒューリスティックスは、主に予め定義された集合から低レベルヒューリスティック(LLH)の適応的な選択に焦点を当てている。 対照的に、我々はこの集合の構成とその戦略変換に集中する。 我々は, 3つの主要な原理, 解の受容, LLH反復, 摂動強度, すなわち摂動性LLHに影響を受ける解の割合に基づいて, 変換を体系的に解析する。 自明な非バイアスランダム選択機構に対する変換の生効果を実証する。 適切に構築された変換により、この自明な手法は、3つの挑戦的な現実世界のドメインで利用可能なすべての最先端のハイパーヒューリスティックを上回り、11の新しい最もよく知られたソリューションを見つける。 同じ手法は、標準のクロスドメインベンチマークとして一般的に使用されるCHeSCコンペティションの勝者と競合する。 さらに、このような戦略的変換を伴う最近の超ヒューリスティックスもいくつか伴っている。 このアプローチを用いることで、CHeSCベンチマークと実世界のドメインの両方で最先端の手法を上回りながら、設計を単純化する。

関連論文リスト

• Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
  本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。 本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
  論文  参考訳（メタデータ） (2025-06-09T18:46:27Z)
• Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover [2.854482269849925]
  本研究では、Particle Swarm Optimization-inspired Crossover (PSOX) という、革新的なクロスオーバー演算子を紹介する。 PSOXは、現在のグローバルベストソリューションと、複数の世代にわたる過去の最適ソリューションの両方からのガイダンスを独自に取り入れている。 この機構により,探索空間の有望な領域への収束を同時に促進しながら,個体数の多様性を維持することができる。
  論文  参考訳（メタデータ） (2025-05-06T06:17:57Z)
• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• Addressing Rotational Learning Dynamics in Multi-Agent Reinforcement Learning [4.204990010424083]
  多エージェント強化学習(MARL)はエージェントの協力と競争を通じて複雑な問題を解決するための強力なパラダイムとして登場した。 この問題の一部は、競合するエージェントの目的から生じる回転最適化のダイナミクスに関連していることを示す。 既存のMARLアルゴリズムに回転力学を扱える勾配型VI法を統合するための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T14:34:14Z)
• Analyzing and Overcoming Local Optima in Complex Multi-Objective Optimization by Decomposition-Based Evolutionary Algorithms [5.153202024713228]
  多目的進化アルゴリズム(MOEAD)はしばしば局所最適に収束し、解の多様性を制限する。 本稿では,局所最適問題を克服するために,革新的なRP選択戦略であるベクトルガイドウェイトハイブリッド法を提案する。 本研究は,2014年から2022年までのMOEADsフレームワークにおける14のアルゴリズムによるアブレーションと,提案手法の有効性を従来の手法と最先端の手法の両方に対して評価するための一連の実証実験からなる。
  論文  参考訳（メタデータ） (2024-04-12T14:29:45Z)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Improving Diversity with Adversarially Learned Transformations for Domain Generalization [81.26960899663601]
  本稿では、ニューラルネットワークを用いた逆学習変換(ALT)を用いて、可塑性かつハードな画像変換をモデル化する新しいフレームワークを提案する。 我々は、ALTが既存の多様性モジュールと自然に連携して、ソースドメインの大規模変換によって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-06-15T18:05:24Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
  半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T06:41:18Z)
• VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm Considering Multi-criteria Decision Making [12.361459296815559]
  仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。 クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。 従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
  論文  参考訳（メタデータ） (2022-02-07T00:57:00Z)

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。