論文の概要: Hyperparameter Optimization of Constraint Programming Solvers

• arxiv url: http://arxiv.org/abs/2601.11389v1
• Date: Fri, 16 Jan 2026 16:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.542985
• Title: Hyperparameter Optimization of Constraint Programming Solvers
• Title（参考訳）: 制約プログラミング解のハイパーパラメータ最適化
• Authors: Hedieh Haddad, Thibault Falque, Pierre Talbot, Pascal Bouvry,
• Abstract要約: 本稿では,CPMpyライブラリに組み込まれたハイパーパラメータの自動最適化フレームワークであるプローブ・アンド・ソルバアルゴリズムを紹介する。 このアルゴリズムを114の問題インスタンスに対して,ACEとChocoの2つの異なる制約解決器上で評価する。 その結果,ベイズ最適化を用いることで,解法のデフォルト設定よりも優れた性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.4915743991417547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of constraint programming solvers is highly sensitive to the choice of their hyperparameters. Manually finding the best solver configuration is a difficult, time-consuming task that typically requires expert knowledge. In this paper, we introduce probe and solve algorithm, a novel two-phase framework for automated hyperparameter optimization integrated into the CPMpy library. This approach partitions the available time budget into two phases: a probing phase that explores different sets of hyperparameters using configurable hyperparameter optimization methods, followed by a solving phase where the best configuration found is used to tackle the problem within the remaining time. We implement and compare two hyperparameter optimization methods within the probe and solve algorithm: Bayesian optimization and Hamming distance search. We evaluate the algorithm on two different constraint programming solvers, ACE and Choco, across 114 combinatorial problem instances, comparing their performance against the solver's default configurations. Results show that using Bayesian optimization, the algorithm outperforms the solver's default configurations, improving solution quality for ACE in 25.4% of instances and matching the default performance in 57.9%, and for Choco, achieving superior results in 38.6% of instances. It also consistently surpasses Hamming distance search within the same framework, confirming the advantage of model-based exploration over simple local search. Overall, the probe and solve algorithm offers a practical, resource-aware approach for tuning constraint solvers that yields robust improvements across diverse problem types.
• Abstract（参考訳）: 制約プログラミングの解法の性能は、ハイパーパラメータの選択に非常に敏感である。 最高のソルバ構成を手作業で見つけることは、通常は専門家の知識を必要とする難しい、時間を要するタスクです。 本稿では,CPMpyライブラリに組み込まれた自動ハイパーパラメータ最適化のための新しい2段階フレームワークであるプローブ・アンド・ソルバアルゴリズムを提案する。 このアプローチは、利用可能な時間予算を2つのフェーズに分割する: 設定可能なハイパーパラメータ最適化手法を用いて、異なるハイパーパラメータのセットを探索する探索フェーズ。 ベイズ最適化とハミング距離探索という2つの超パラメータ最適化手法をプローブ内に実装して比較する。 このアルゴリズムは114の組合せ問題インスタンスに対してACEとChocoという2つの異なる制約プログラミング解法を用いて評価し、それらの性能と解法のデフォルト設定を比較した。 その結果、ベイジアン最適化を用いることで、このアルゴリズムはソルバのデフォルト設定よりも優れ、25.4%のインスタンスでACEのソリューション品質が向上し、57.9%のデフォルトパフォーマンスと、Chocoでは38.6%のインスタンスで優れた結果が得られた。 また、同じフレームワーク内のハミング距離探索を一貫して上回り、単純な局所探索よりもモデルベースの探索の利点を裏付けている。 全体として、プローブと解法アルゴリズムは、様々な問題タイプにまたがる堅牢な改善をもたらす制約解決器をチューニングするための、実用的なリソース対応のアプローチを提供する。

関連論文リスト

• Efficient QAOA Architecture for Solving Multi-Constrained Optimization Problems [3.757262277494307]
  本稿では,量子近似最適化Ansatzのための制約符号化手法の新たな組み合わせを提案する。 ワンホット制約は、検索空間を実現可能なサブ空間に自然に制限する$XY$-mixerによって強制される。 XY$-mixersは検索スペースを制限するため、特定の状態ベクトルエントリは常にゼロであり、シミュレーションから省略することができ、貴重なメモリとコンピューティングリソースを節約できる。
  論文  参考訳（メタデータ） (2025-06-03T17:46:53Z)
• 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)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• A Globally Convergent Gradient-based Bilevel Hyperparameter Optimization Method [0.0]
  ハイパーパラメータ最適化問題の解法として,勾配に基づく双レベル法を提案する。 提案手法は, より低い計算量に収束し, テストセットをより良く一般化するモデルに導かれることを示す。
  論文  参考訳（メタデータ） (2022-08-25T14:25:16Z)
• 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)
• A Comparative study of Hyper-Parameter Optimization Tools [2.6097538974670935]
  我々は、4つのpythonライブラリ、すなわちOptuna、Hyperopt、Optunity、およびシーケンシャルモデルアルゴリズム構成(SMAC)の性能を比較した。 私たちは、OptunaがCASH問題とNeurIPSのブラックボックス最適化の課題に対してより良いパフォーマンスを持つことを発見した。
  論文  参考訳（メタデータ） (2022-01-17T14:49:36Z)
• A Gradient-based Bilevel Optimization Approach for Tuning Hyperparameters in Machine Learning [0.0]
  本稿では,ハイパーパラメータ最適化問題の解法として,二段階解法を提案する。 提案手法は汎用的で,任意の種類の機械学習アルゴリズムに容易に適用可能である。 提案アルゴリズムの背景にある理論を議論し、2つのデータセットについて広範な計算研究を行う。
  論文  参考訳（メタデータ） (2020-07-21T18:15:08Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
  QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。 このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。 本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-03-11T13:52:41Z)

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。