論文の概要: A Novel Population Initialization Method via Adaptive Experience Transfer for General-Purpose Binary Evolutionary Optimization

• arxiv url: http://arxiv.org/abs/2512.00341v1
• Date: Sat, 29 Nov 2025 06:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.180268
• Title: A Novel Population Initialization Method via Adaptive Experience Transfer for General-Purpose Binary Evolutionary Optimization
• Title（参考訳）: 汎用バイナリ進化最適化のための適応的経験伝達による新しい人口初期化法
• Authors: Zhiyuan Wang, Shengcai Liu, Shaofeng Zhang, Ke Tang,
• Abstract要約: 進化的アルゴリズム(EA)は汎用最適化法として広く使われている。 しかし,機能評価が限られた場合,EAの性能は初期個体群の品質に非常に敏感である。
• 参考スコア（独自算出の注目度）: 23.8937164783691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary Algorithms (EAs) are widely used general-purpose optimization methods due to their domain independence. However, under a limited number of function evaluations (#FEs), the performance of EAs is quite sensitive to the quality of the initial population. Obtaining a high-quality initial population without problem-specific knowledge remains a significant challenge. To address this, this work proposes a general-purpose population initialization method, named mixture-of-experience for population initialization (MPI), for binary optimization problems where decision variables take values of 0 or 1. MPI leverages solving experiences from previously solved problems to generate high-quality initial populations for new problems using only a small number of FEs. Its main novelty lies in a general-purpose approach for representing, selecting, and transferring solving experiences without requiring problem-specific knowledge. Extensive experiments are conducted across six binary optimization problem classes, comprising three classic classes and three complex classes from real-world applications. The experience repository is constructed solely based on instances from the three classic classes, while the performance evaluation is performed across all six classes. The results demonstrate that MPI effectively transfers solving experiences to unseen problem classes (i.e., the complex ones) and higher-dimensional problem instances, significantly outperforming existing general-purpose population initialization methods.
• Abstract（参考訳）: 進化的アルゴリズム(EA)は、その領域独立性のために広く使われている汎用最適化手法である。 しかし,少数の機能評価(#FE)では,EAの性能は初期個体群の品質に非常に敏感である。 問題固有の知識のない高品質な初期人口を確保することは、依然として大きな課題である。 そこで本研究では,決定変数が0または1の値を取る二項最適化問題に対して,MPI(Mix-of-experience for population initialization)と呼ばれる汎用集団初期化手法を提案する。 MPIは、以前に解決された問題の解決経験を活用して、少数のFEを使用して、新しい問題に対して高品質な初期集団を生成する。 その主な斬新さは、問題解決経験を、問題固有の知識を必要とせずに表現し、選択し、伝達するための汎用的なアプローチにある。 大規模な実験は6つのバイナリ最適化問題クラスで行われ、3つの古典クラスと3つの実世界のアプリケーションからなる。 エクスペリエンスリポジトリは3つの古典クラスのインスタンスのみに基づいて構築され、パフォーマンス評価は6つのクラスすべてで行われます。 その結果, MPIは, 解答経験を未確認問題クラス(複雑なもの)や高次元問題インスタンスに効果的に移行し, 既存の汎用集団初期化手法を著しく上回っていることがわかった。

関連論文リスト

• OMEGA: Can LLMs Reason Outside the Box in Math? Evaluating Exploratory, Compositional, and Transformative Generalization [88.76091817642963]
  最近の大規模言語モデル (LLMs) は、DeepSeek-R1-のような長い鎖の推論を持ち、オリンピアード級数学において印象的な成果を上げている。 本稿では,3つの分布外一般化の軸を評価するために設計された3つの一般化 Axes-a ベンチマークを用いた OMEGA-Out-of-distriion Math Problems Evaluation を提案する。
  論文  参考訳（メタデータ） (2025-06-23T17:51:40Z)
• A Knapsack by Any Other Name: Presentation impacts LLM performance on NP-hard problems [64.05451567422342]
  自然言語で表現されたNPハード問題の集合であるEveryday Hard Optimization Problems (EHOP) のデータセットを紹介する。 EHOPには、コンピュータサイエンスの教科書(例えば、グラフカラー化)で見られる問題の定式化が含まれている。 複数のプロンプト戦略にまたがる最先端のLCMは、実生活や逆転よりも正確な教科書問題を解くことができる。
  論文  参考訳（メタデータ） (2025-02-19T14:39:59Z)
• Evolving Generalizable Parallel Algorithm Portfolios via Domain-Agnostic Instance Generation [27.138566940625385]
  一般化は、データからトレーニングする際の中核的な目的である。 並列アルゴリズムポートフォリオ(PAP)とインスタンス人口を同時に進化させることによって、共進化的アプローチはこの課題に対処する。 本研究は,パラメタライズドサーチ(DACE)のドメインに依存しない共進化という,汎用的で既成のPAP構築手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:48Z)
• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [43.27239522837257]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• 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 Mixture-of-Experts for General-Purpose Black-Box Discrete Optimization [45.243090644194695]
  この記事では、完全なデータ駆動学習最適化(L2O)アプローチを通じてトレーニングされた、新しい汎用ニューラルネットワークMEGOを紹介する。 MEGOは、トレーニング問題の解決からの経験に基づいて訓練された、エキスパートの混合物で構成されている。 MEGOは、高品質なソリューションを生成するために、関連する専門家モデルを積極的に選択する。
  論文  参考訳（メタデータ） (2024-05-29T08:41:08Z)
• Mining Large Independent Sets on Massive Graphs [47.21699378695116]
  ARCISは、巨大なグラフ上の大きな独立した集合をマイニングするための効率的なアルゴリズムである。 ARCISは、ほとんどのインスタンスで最高の、または最も結びついたソリューション品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-16T14:39:38Z)
• Efficient Combinatorial Optimization for Word-level Adversarial Textual Attack [26.91645793706187]
  自然言語処理で使用されるディープニューラルネットワークの脆弱性を明らかにするために、様々な単語レベルのテキスト攻撃手法が提案されている。 一般のケースでこの問題を解決するために,効率的な局所探索アルゴリズム (LS) を提案する。 LSは攻撃の成功率を高めるために,通常桁違いのクエリ数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2021-09-06T03:44:43Z)

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。