論文の概要: New Adaptive Mechanism for Large Neighborhood Search using Dual Actor-Critic

• arxiv url: http://arxiv.org/abs/2601.11414v1
• Date: Fri, 16 Jan 2026 16:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.559601
• Title: New Adaptive Mechanism for Large Neighborhood Search using Dual Actor-Critic
• Title（参考訳）: Dual Actor-Critic を用いた大規模近傍探索のための新しい適応機構
• Authors: Shaohua Yu, Wenhao Mao, Zigao Wu, Jakob Puchinger,
• Abstract要約: Adaptive Large Neighborhood Search (ALNS) は最適化問題の解法として広く用いられている手法である。 古典的なALNS適応機構は、破壊演算子と修復演算子の間の相互作用を考慮しない。 本研究では,新しい解法の品質が破壊・修復作業者によって共同で決定されるという事実を完全に考慮した,新しい適応機構を提案する。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive Large Neighborhood Search (ALNS) is a widely used heuristic method for solving combinatorial optimization problems. ALNS explores the solution space by iteratively using destroy and repair operators with probabilities, which are adjusted by an adaptive mechanism to find optimal solutions. However, the classic ALNS adaptive mechanism does not consider the interaction between destroy and repair operators when selecting them. To overcome this limitation, this study proposes a novel adaptive mechanism. This mechanism enhances the adaptability of the algorithm through a Dual Actor-Critic (DAC) model, which fully considers the fact that the quality of new solutions is jointly determined by the destroy and repair operators. It effectively utilizes the interaction between these operators during the weight adjustment process, greatly improving the adaptability of the ALNS algorithm. In this mechanism, the destroy and repair processes are modeled as independent Markov Decision Processes to guide the selection of operators more accurately. Furthermore, we use Graph Neural Networks to extract key features from problem instances and perform effective aggregation and normalization to enhance the algorithm's transferability to different sizes and characteristics of problems. Through a series of experiments, we demonstrate that the proposed DAC-ALNS algorithm significantly improves solution efficiency and exhibits excellent transferability.
• Abstract（参考訳）: Adaptive Large Neighborhood Search (ALNS) は組合せ最適化問題の解法として広く用いられている。 ALNSは、最適解を見つけるための適応的なメカニズムによって調整された確率を持つ破壊と修復演算子を反復的に利用して、解空間を探索する。 しかし、古典的なALNS適応機構は、破壊演算子と修復演算子の間の相互作用を考慮していない。 この制限を克服するために,本研究では新しい適応機構を提案する。 この機構はDual Actor-Critic (DAC)モデルを通じてアルゴリズムの適応性を高め、新しい解の質が破壊・修復演算子によって共同で決定されるという事実を完全に考慮する。 重み調整過程におけるこれらの演算子間の相互作用を効果的に利用し、ALNSアルゴリズムの適応性を大幅に改善する。 このメカニズムでは、破壊と修復の過程を独立なマルコフ決定過程としてモデル化し、オペレータの選択をより正確に導く。 さらに、グラフニューラルネットワークを用いて、問題インスタンスから重要な特徴を抽出し、効率的な集約と正規化を行い、問題のサイズや特性の異なるアルゴリズムの転送可能性を高める。 一連の実験を通して,提案したDAC-ALNSアルゴリズムが解効率を大幅に向上し,優れた転送性を示すことを示した。

関連論文リスト

• Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
  信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。 実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-29T01:59:26Z)
• Hybrid Node-Destroyer Model with Large Neighborhood Search for Solving the Capacitated Vehicle Routing Problem [1.9573380763700716]
  本稿ではメタヒューリスティックアルゴリズムの性能向上を目的とした反復学習ハイブリッド最適化手法を提案する。 提案手法は, 演算複雑性を低減し, 最適化プロセスに関わる探索空間を縮小する。
  論文  参考訳（メタデータ） (2025-08-12T05:56:13Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Large Language Model Aided Multi-objective Evolutionary Algorithm: a Low-cost Adaptive Approach [4.442101733807905]
  本研究では,大規模言語モデル(LLM)と従来の進化的アルゴリズムを組み合わせることで,アルゴリズムの探索能力と一般化性能を向上させる新しいフレームワークを提案する。 適応機構内の補助的評価関数と自動的プロンプト構築を活用し, LLM の利用を柔軟に調整する。
  論文  参考訳（メタデータ） (2024-10-03T08:37:02Z)
• Self-Improved Learning for Scalable Neural Combinatorial Optimization [15.842155380912002]
  本研究は、ニューラルネットワーク最適化のスケーラビリティを向上させるための新しい自己改善学習(SIL)手法を提案する。 我々は,ラベル付きデータを使わずに大規模問題インスタンス上での直接モデルトレーニングを可能にする,効率的な自己改善機構を開発した。 さらに,計算モデルに対する線形注意複雑化機構を設計し,オーバヘッドの少ない大規模問題インスタンスを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-28T16:46:53Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Enhanced Innovized Repair Operator for Evolutionary Multi- and Many-objective Optimization [5.885238773559015]
  革新」とは、最適化問題においてパレート最適化(PO)ソリューションの一部または全部の共通関係を学習するタスクである。 近年の研究では、非支配的なソリューションの時系列配列もまた、問題の特徴を学習するのに使える有能なパターンを持っていることが示されている。 本稿では,Pareto-Optimal 集合に向けて,集団構成員を前進させるために必要な設計変数の修正を学習する機械学習(ML-)支援モデル手法を提案する。
  論文  参考訳（メタデータ） (2020-11-21T10:29:15Z)
• 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)

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。