論文の概要: A Review on Single-Problem Multi-Attempt Heuristic Optimization

• arxiv url: http://arxiv.org/abs/2509.26321v1
• Date: Tue, 30 Sep 2025 14:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.165415
• Title: A Review on Single-Problem Multi-Attempt Heuristic Optimization
• Title（参考訳）: シングルプロブレム多目的ヒューリスティック最適化に関する一検討
• Authors: Judith Echevarrieta, Etor Arza, Aritz Pérez, Josu Ceberio,
• Abstract要約: ある現実世界の最適化シナリオでは、実践者は複数の問題を解決することに関心がなく、単一の特定の問題に対する最良の解決策を見つけることに興味があります。 計算予算が候補解を評価するコストに対して大きい場合、同じ問題を解くために複数の選択肢を試すことができる。 次に試す選択肢のシーケンシャルな選択は、最良のソリューションを提供する選択肢を効率的に特定するために不可欠です。
• 参考スコア（独自算出の注目度）: 6.778082328635129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In certain real-world optimization scenarios, practitioners are not interested in solving multiple problems but rather in finding the best solution to a single, specific problem. When the computational budget is large relative to the cost of evaluating a candidate solution, multiple heuristic alternatives can be tried to solve the same given problem, each possibly with a different algorithm, parameter configuration, initialization, or stopping criterion. The sequential selection of which alternative to try next is crucial for efficiently identifying the one that provides the best possible solution across multiple attempts. Despite the relevance of this problem in practice, it has not yet been the exclusive focus of any existing review. Several sequential alternative selection strategies have been proposed in different research topics, but they have not been comprehensively and systematically unified under a common perspective. This work presents a focused review of single-problem multi-attempt heuristic optimization. It brings together suitable strategies to this problem that have been studied separately through algorithm selection, parameter tuning, multi-start and resource allocation. These strategies are explained using a unified terminology within a common framework, which supports the development of a taxonomy for systematically organizing and classifying them.
• Abstract（参考訳）: ある現実世界の最適化シナリオでは、実践者は複数の問題を解決することに関心がなく、単一の特定の問題に対する最良の解決策を見つけることに関心があります。 計算予算が候補解を評価するコストに対して大きい場合、複数のヒューリスティックな代替案が同じ問題を解くよう試みられ、それぞれが異なるアルゴリズム、パラメータ構成、初期化、または停止基準によって解決される可能性がある。 次に試す選択肢のシーケンシャルな選択は、複数の試行で可能な最良のソリューションを効率的に特定するために不可欠です。 実際にこの問題が関係しているにもかかわらず、まだ既存のレビューの独占的な焦点にはなっていない。 いくつかのシーケンシャルな代替選択戦略がさまざまな研究トピックで提案されているが、それらは共通の視点の下で包括的かつ体系的に統一されていない。 本研究は、単一プロブレム多目的ヒューリスティック最適化の焦点を絞ったレビューを示す。 アルゴリズムの選択、パラメータチューニング、マルチスタート、リソース割り当てを通じて別々に研究されたこの問題に適切な戦略が組み合わされる。 これらの戦略は共通の枠組みの中で統一された用語を用いて説明され、分類学の発展を支援し、それらを体系的に組織化し分類する。

関連論文リスト

• Pareto Optimal Algorithmic Recourse in Multi-cost Function [0.44938884406455726]
  アルゴリズム的リコースは、個々の特徴を変更するために最小限のコストのアクションを識別することを目的としており、それによって望ましい結果が得られる。 現在のリコース機構のほとんどは、コスト関数が微分可能であると仮定する勾配に基づく手法を使用しており、現実のシナリオでは適用できないことが多い。 本研究では,非微分可能かつ離散的多コスト関数を扱うアルゴリズム的リコースフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T03:16:08Z)
• Runtime Analysis of Evolutionary Algorithms for Multiparty Multiobjective Optimization [0.8520624117635325]
  本稿では、双方向多目的最適化問題(BPMOP)における進化的アルゴリズムの予測ランタイムに関する最初の理論的解析について述べる。 その結果,MPMOPを解くために従来の多目的最適化アルゴリズムを用いることは,時間を要することと非効率であることがわかった。 擬ブール最適化のための共進化型多目的多目的言語(CoEMPMO)を提案する。
  論文  参考訳（メタデータ） (2025-01-09T13:16:08Z)
• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Enhanced Opposition Differential Evolution Algorithm for Multimodal Optimization [0.2538209532048866]
  現実の問題は、本質的には複数の最適値からなるマルチモーダルである。 古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。 我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:18:27Z)
• ARES: An Efficient Algorithm with Recurrent Evaluation and Sampling-Driven Inference for Maximum Independent Set [48.57120672468062]
  本稿では、2つの革新的な手法を取り入れたMIS問題に対する効率的なアルゴリズムを提案する。 提案アルゴリズムは、解の質、計算効率、安定性の点で最先端のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2022-08-16T14:39:38Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Diversity in Kemeny Rank Aggregation: A Parameterized Approach [3.6603644500568806]
  ソリューション多様性と呼ばれる最近の人工知能のトレンドは、最適性の概念の発展に焦点を当てている。 本研究では,この組み合わせがケメニー・ランク・アグリゲーションの分野に与える影響について検討する。 我々の主な成果は、線形に順序付けられた投票よりも伝統的な集計の設定を考えるときと、部分的に投票が順序付けられたより一般的な場合の両方に当てはまる。
  論文  参考訳（メタデータ） (2021-05-19T21:50:03Z)

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。