論文の概要: Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2601.17899v1
• Date: Sun, 25 Jan 2026 16:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.520562
• Title: Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization
• Title（参考訳）: 多目的組合せ最適化のための大規模言語モデルを用いた相互依存型演算子の開発
• Authors: Junhao Qiu, Xin Chen, Liang Ge, Liyong Lin, Zhichao Lu, Qingfu Zhang,
• Abstract要約: 近傍探索演算子は多目的進化アルゴリズム(MOEA)の性能に欠かせない 設計戦略と実行可能なコードの共同進化を実現するMOEAのためのE2OC(Evolution of Operator Combination)フレームワークを提案する。 E2OCは、最先端のAHDや他のマルチヒューリスティックな共同設計フレームワークを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 21.70371026963599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neighborhood search operators are critical to the performance of Multi-Objective Evolutionary Algorithms (MOEAs) and rely heavily on expert design. Although recent LLM-based Automated Heuristic Design (AHD) methods have made notable progress, they primarily optimize individual heuristics or components independently, lacking explicit exploration and exploitation of dynamic coupling relationships between multiple operators. In this paper, multi-operator optimization in MOEAs is formulated as a Markov decision process, enabling the improvement of interdependent operators through sequential decision-making. To address this, we propose the Evolution of Operator Combination (E2OC) framework for MOEAs, which achieves the co-evolution of design strategies and executable codes. E2OC employs Monte Carlo Tree Search to progressively search combinations of operator design strategies and adopts an operator rotation mechanism to identify effective operator configurations while supporting the integration of mainstream AHD methods as the underlying designer. Experimental results across AHD tasks with varying objectives and problem scales show that E2OC consistently outperforms state-of-the-art AHD and other multi-heuristic co-design frameworks, demonstrating strong generalization and sustained optimization capability.
• Abstract（参考訳）: 近隣の探索演算子は、MOEA(Multi-Objective Evolutionary Algorithms)の性能に重要であり、専門家の設計に大きく依存している。 最近のLLMベースの自動ヒューリスティック・デザイン (Automated Heuristic Design, AHD) 法は顕著な進歩を遂げているが、主に個々のヒューリスティックやコンポーネントを独立に最適化し、複数の演算子間の動的結合関係の明示的な探索と利用を欠いている。 本稿では,MOEAにおけるマルチ演算最適化をマルコフ決定プロセスとして定式化し,逐次決定による相互依存演算子の改善を実現する。 そこで我々はMOEAのためのE2OC(Evolution of Operator Combination)フレームワークを提案し,設計戦略と実行可能なコードの共同進化を実現する。 E2OCはモンテカルロ木探索を用いて、演算子設計戦略の組み合わせを段階的に探索し、演算子回転機構を採用して演算子構成を効果的に識別すると同時に、メインストリームのAHDメソッドを設計元として統合することを支援する。 目的や課題尺度の異なるAHDタスクに対する実験結果から、E2OCは最先端のAHDや他の多言語共同設計フレームワークを一貫して上回り、強力な一般化と持続的な最適化能力を示している。

関連論文リスト

• Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
  ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。 我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:28:54Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• MOTIF: Multi-strategy Optimization via Turn-based Interactive Framework [4.012351415340318]
  本稿では,多戦略最適化問題として,より広範な解法設計の定式化を導入する。 各ターンで、エージェントは、自分自身と相手の以前の更新履歴を活用することで、1つのコンポーネントを改善する。 複数のCOPドメインにわたる実験により、MOTIFは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-05T21:45:36Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Generalizable Heuristic Generation Through Large Language Models with Meta-Optimization [14.919482411153185]
  大規模言語モデル (LLM) を用いたヒューリスティック設計が最適化問題に対処するための有望なアプローチとして登場した。 既存のアプローチは、しばしば手動で定義された進化的一般化とシングルタスクのトレーニングスキームに依存している。 本稿では,メタ学習のレベルで機能する新しいフレームワークであるMeta-Optimization of Heuristics(MoH)を提案する。
  論文  参考訳（メタデータ） (2025-05-27T08:26:27Z)
• Constrained Multi-objective Optimization with Deep Reinforcement Learning Assisted Operator Selection [28.088046969822543]
  本研究では,Deep Reinforcement Learningを支援するオンラインオペレータ選択フレームワークを提案する。 提案手法は,現在の状況に応じて個体群の改善を最大化する演算子を適応的に選択することができる。 このフレームワークは4つの人気のあるCMOEAに組み込まれ、42のベンチマーク問題で評価されている。
  論文  参考訳（メタデータ） (2024-01-15T09:51:19Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。