論文の概要: Automatic Generation of Combinatorial Reoptimisation Problem Specifications: A Vision
- arxiv url: http://arxiv.org/abs/2510.02002v1
- Date: Thu, 02 Oct 2025 13:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:21.145273
- Title: Automatic Generation of Combinatorial Reoptimisation Problem Specifications: A Vision
- Title（参考訳）: 組合せ再最適化問題仕様の自動生成:ビジョン
- Authors: Maximilian Kratz, Steffen Zschaler, Jens Kosiol, Gabriele Taentzer,
- Abstract要約: 我々は、モデル駆動工学(MDE)が再最適化問題の体系的な導出に新たな機会をもたらすと論じる。
我々は、再最適化問題に焦点をあて、変更問題の初期分類と、対応する再最適化仕様を導出するための戦略を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Once an optimisation problem has been solved, the solution may need adaptation when contextual factors change. This challenge, also known as reoptimisation, has been addressed in various problem domains, such as railway crew rescheduling, nurse rerostering, or aircraft recovery. This requires a modified problem to be solved again to ensure that the adapted solution is optimal in the new context. However, the new optimisation problem differs notably from the original problem: (i) we want to make only minimal changes to the original solution to minimise the impact; (ii) we may be unable to change some parts of the original solution (e.g., because they refer to past allocations); and (iii) we need to derive a change script from the original solution to the new solution. In this paper, we argue that Model-Driven Engineering (MDE) - in particular, the use of declarative modelling languages and model transformations for the high-level specification of optimisation problems - offers new opportunities for the systematic derivation of reoptimisation problems from the original optimisation problem specification. We focus on combinatorial reoptimisation problems and provide an initial categorisation of changing problems and strategies for deriving the corresponding reoptimisation specifications. We introduce an initial proof-of-concept implementation based on the GIPS (Graph-Based (Mixed) Integer Linear Programming Problem Specification) tool and apply it to an example resource-allocation problem: the allocation of teaching assistants to teaching sessions.
- Abstract（参考訳）: 最適化問題が解けると、文脈的要因が変化したときに適応が必要である。
この課題は再最適化としても知られており、鉄道員の再スケジュール、看護師の再配置、航空機の回収など様々な問題領域で対処されてきた。
これは、新しい文脈で適応されたソリューションが最適であることを保証するために、再び解決される修正された問題を必要とする。
しかし、新しい最適化問題は、元の問題と特に異なる。
(i) 影響を最小限に抑えるため、元のソリューションに最小限の変更しか行わないこと。
(ii)元のソリューションの一部を変更することができないかもしれない(例えば、過去の割り当てを参照しているため)。
(iii) 変更スクリプトを元のソリューションから新しいソリューションに導出する必要があります。
本稿では、モデル駆動工学(MDE)、特に、宣言型モデリング言語とモデル変換を、最適化問題の高レベルな仕様に利用することで、元の最適化問題仕様から再最適化問題の体系的導出を行う新たな機会を提供する、と論じる。
本稿では,組合せ再最適化問題に焦点をあて,対応する再最適化仕様を導出するための課題と戦略を初期分類する。
GIPS(Graph-Based (Mixed) Integer Integer Linear Programming Problem Specification)ツールをベースとした概念実証実装を導入し、リソース割り当て問題の例に応用する。
関連論文リスト
- EHOP: A Dataset of Everyday NP-Hard Optimization Problems [66.41749917354159]
Everyday Hard Optimization Problems (EHOP) は、自然言語で表されるNPハード最適化問題の集合である。
EHOPには、コンピュータサイエンスの教科書で見られる問題の定式化、実生活で起こりうる問題として着飾られたバージョン、逆ルールでよく知られた問題の変種が含まれている。
現状のLLMは、複数のプロンプト戦略にまたがって、実生活や逆転型よりも教科書問題を体系的に高精度に解決していることがわかった。
論文 参考訳（メタデータ） (2025-02-19T14:39:59Z) - 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) - 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) - Learning Adaptive Evolutionary Computation for Solving Multi-Objective
Optimization Problems [3.3266268089678257]
本稿では, 深層強化学習(DRL)を用いた適応パラメータ制御とMOEAを統合したフレームワークを提案する。
DRLポリシは、最適化中のソリューションに対する突然変異の強度と確率を決定する値を適応的に設定するように訓練されている。
学習されたポリシーは転送可能であることを示す。つまり、単純なベンチマーク問題で訓練されたポリシーは、複雑な倉庫最適化問題を解決するために直接適用可能である。
論文 参考訳（メタデータ） (2022-11-01T22:08:34Z) - 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) - Reversible Action Design for Combinatorial Optimization with
Reinforcement Learning [35.50454156611722]
強化学習(rl)は、これらの問題に取り組むための新しいフレームワークとして最近登場した。
最先端の実証性能を示すだけでなく、様々な種類のCOPに一般化する汎用RLフレームワークを提案します。
論文 参考訳（メタデータ） (2021-02-14T18:05:42Z) - Meta-learning based Alternating Minimization Algorithm for Non-convex
Optimization [9.774392581946108]
複数変数の非プロブレムに挑戦する新しい解を提案する。
提案手法では,他の手法が一般的に失敗するケースに対して,効果的なイテレーションを実現することができる。
論文 参考訳（メタデータ） (2020-09-09T10:45:00Z) - Differentially Private Convex Optimization with Feasibility Guarantees [44.36831037077509]
本稿では,凸最適化問題を解くための新しい微分プライベートフレームワークを開発する。
提案するフレームワークは、期待される最適性損失と最適化結果のばらつきの間のトレードオフを提供する。
論文 参考訳（メタデータ） (2020-06-22T15:30:52Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - A Permutation-Equivariant Neural Network Architecture For Auction Design [49.41561446069114]
期待収益を最大化するインセンティブ互換オークションの設計は、オークションデザインの中心的な問題である。
本研究では、置換同変対称性を有するオークション設計問題を考察し、置換同変最適機構を完全に回復できるニューラルネットワークを構築する。
論文 参考訳（メタデータ） (2020-03-02T00:37:36Z)
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。