論文の概要: Landscape-aware Automated Algorithm Design: An Efficient Framework for Real-world Optimization
- arxiv url: http://arxiv.org/abs/2602.04529v1
- Date: Wed, 04 Feb 2026 13:18:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.536824
- Title: Landscape-aware Automated Algorithm Design: An Efficient Framework for Real-world Optimization
- Title（参考訳）: ランドスケープ対応自動アルゴリズム設計:現実世界最適化のための効率的なフレームワーク
- Authors: Haoran Yin, Shuaiqun Pan, Zhao Wei, Jian Cheng Wong, Yew-Soon Ong, Anna V. Kononova, Thomas Bäck, Niki van Stein,
- Abstract要約: 大規模言語モデル(LLM)は、アルゴリズムの自動設計において新たなフロンティアを開放した。
LLMは探索過程を導くために対象問題の広範な評価を必要とする。
本研究では,アルゴリズム発見を低コスト評価から切り離す,革新的で効率的なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 32.203665659052845
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The advent of Large Language Models (LLMs) has opened new frontiers in automated algorithm design, giving rise to numerous powerful methods. However, these approaches retain critical limitations: they require extensive evaluation of the target problem to guide the search process, making them impractical for real-world optimization tasks, where each evaluation consumes substantial computational resources. This research proposes an innovative and efficient framework that decouples algorithm discovery from high-cost evaluation. Our core innovation lies in combining a Genetic Programming (GP) function generator with an LLM-driven evolutionary algorithm designer. The evolutionary direction of the GP-based function generator is guided by the similarity between the landscape characteristics of generated proxy functions and those of real-world problems, ensuring that algorithms discovered via proxy functions exhibit comparable performance on real-world problems. Our method enables deep exploration of the algorithmic space before final validation while avoiding costly real-world evaluations. We validated the framework's efficacy across multiple real-world problems, demonstrating its ability to discover high-performance algorithms while substantially reducing expensive evaluations. This approach shows a path to apply LLM-based automated algorithm design to computationally intensive real-world optimization challenges.
- Abstract（参考訳）: LLM(Large Language Models)の出現は、アルゴリズム設計における新たなフロンティアを開放し、多数の強力な手法を生み出した。
しかし、これらの手法は、探索プロセスを導くために対象の問題を広範囲に評価することが必要であり、各評価がかなりの計算資源を消費する現実世界の最適化タスクでは実行不可能である。
本研究では,アルゴリズム発見を低コスト評価から切り離す,革新的で効率的なフレームワークを提案する。
我々の中心となるイノベーションは、遺伝的プログラミング(GP)関数ジェネレータとLLM駆動の進化的アルゴリズムデザイナを組み合わせることです。
GPベースの関数生成器の進化方向は,生成したプロキシ関数のランドスケープ特性と実世界の問題との類似性によって導かれる。
提案手法は,コストのかかる実世界の評価を回避しつつ,最終的な検証の前にアルゴリズム空間を深く探索することを可能にする。
提案手法の有効性を実世界の複数の問題に対して検証し,高性能アルゴリズムの発見能力を示すとともに,高コストな評価を著しく低減した。
このアプローチは、計算集約的な実世界の最適化問題にLLMベースの自動アルゴリズム設計を適用するための道を示す。
関連論文リスト
- Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。
最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。
本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
論文 参考訳（メタデータ） (2025-09-29T09:24:09Z) - From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution [39.42526347710991]
大規模言語モデル(LLM)はアルゴリズム生成と最適化の自動化を大幅に加速した。
LLMに基づくエンドツーエンドのアルゴリズム生成と最適化フレームワークを提案する。
我々のアプローチは、LLMの深い意味理解を利用して、自然言語の要求や人間による論文をコードソリューションに変換する。
論文 参考訳（メタデータ） (2025-03-13T08:26:18Z) - A Full Adagrad algorithm with O(Nd) operations [4.389938747401259]
この研究は大規模アプリケーションのための効率的で実用的なアルゴリズムを提供する。
この革新的な戦略は、一般的にフルマトリックスメソッドに関連する複雑さとリソース要求を著しく削減する。
論文 参考訳（メタデータ） (2024-05-03T08:02:08Z) - Algorithm Evolution Using Large Language Model [18.03090066194074]
大規模言語モデル(AEL)を用いた進化的アルゴリズムを提案する。
AELはモデルトレーニングなしでアルゴリズムレベルの進化を行う。
人間の努力とドメイン知識の要求は大幅に削減できる。
論文 参考訳（メタデータ） (2023-11-26T09:38:44Z) - Discovering General Reinforcement Learning Algorithms with Adversarial
Environment Design [54.39859618450935]
メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。
Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。
本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
論文 参考訳（メタデータ） (2023-10-04T12:52:56Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳（メタデータ） (2023-07-08T15:41:48Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - A bi-level encoding scheme for the clustered shortest-path tree problem
in multifactorial optimization [1.471992435706872]
CluSPT(Clustered Shortest-Path Tree Problem)は、実生活における様々な最適化問題において重要な役割を果たしている。
近年、CluSPTを扱うためにMFEA(Multifactorial Evolutionary Algorithm)が導入されている。
本稿では,MFEAに基づくCluSPTの解法について述べる。
論文 参考訳（メタデータ） (2021-02-12T13:36:07Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Automatic Generation of Algorithms for Black-Box Robust Optimisation
Problems [0.0]
モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。
我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。
アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
論文 参考訳（メタデータ） (2020-04-15T18:51:33Z)
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。