論文の概要: Variable Search Stepsize for Randomized Local Search in Multi-Objective Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2602.05675v1
• Date: Thu, 05 Feb 2026 13:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.961719
• Title: Variable Search Stepsize for Randomized Local Search in Multi-Objective Combinatorial Optimization
• Title（参考訳）: 多目的組合せ最適化におけるランダムな局所探索のための可変探索ステップサイズ
• Authors: Xuepeng Ren, Maocai Wang, Guangming Dai, Zimin Liang, Qianrong Liu, Shengxiang Yang, Miqing Li,
• Abstract要約: 可変段化ランダム化局所探索(VS-RLS)と呼ばれる,単純で効果的な局所探索法を提案する。 VS-RLSは、初期の広い探索的な探索段階から、探索が進むにつれてより焦点を絞ったきめ細かな探索へと徐々に移行する。 局所探索および多目的進化アルゴリズムに対する広範囲な評価により,VS-RLSの有効性と一般化性を示す。
• 参考スコア（独自算出の注目度）: 12.70422671595511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past two decades, research in evolutionary multi-objective optimization has predominantly focused on continuous domains, with comparatively limited attention given to multi-objective combinatorial optimization problems (MOCOPs). Combinatorial problems differ significantly from continuous ones in terms of problem structure and landscape. Recent studies have shown that on MOCOPs multi-objective evolutionary algorithms (MOEAs) can even be outperformed by simple randomised local search. Starting with a randomly sampled solution in search space, randomised local search iteratively draws a random solution (from an archive) to perform local variation within its neighbourhood. However, in most existing methods, the local variation relies on a fixed neighbourhood, which limits exploration and makes the search easy to get trapped in local optima. In this paper, we present a simple yet effective local search method, called variable stepsize randomized local search (VS-RLS), which adjusts the stepsize during the search. VS-RLS transitions gradually from a broad, exploratory search in the early phases to a more focused, fine-grained search as the search progresses. We demonstrate the effectiveness and generalizability of VS-RLS through extensive evaluations against local search and MOEAs methods on diverse MOCOPs.
• Abstract（参考訳）: 過去20年間、進化的多目的最適化の研究は、主に連続的な領域に焦点を合わせてきた。 組合せ問題は、問題構造とランドスケープの点で、連続的な問題と大きく異なる。 近年の研究では、MOCOPsの多目的進化アルゴリズム(MOEA)は、単純なランダム化された局所探索によっても性能が向上することが示されている。 ランダムにサンプリングされた探索空間の解から始めると、ランダム化された局所探索は(アーカイブから)ランダムな解を反復的に引き出し、その近傍で局所的な変動を行う。 しかし、既存のほとんどの手法では、局所的な変動は、探索を制限する固定された近傍に依存しており、探索は局所的な最適点に閉じ込められやすい。 本稿では, 可変段差ランダム化局所探索 (VS-RLS) と呼ばれる, 単純で効果的な局所探索手法を提案する。 VS-RLSは、初期の広い探索的な探索段階から、探索が進むにつれてより焦点を絞ったきめ細かな探索へと徐々に移行する。 多様なMOCOPにおける局所探索法とMOEAs法に対する広範囲な評価により,VS-RLSの有効性と一般化性を示す。

関連論文リスト

• Random is Faster than Systematic in Multi-Objective Local Search [8.143459364469708]
  多目的局所探索アルゴリズムでは、これまでに見いだされた全ての非支配的なソリューションのアーカイブを維持するのが一般的である。 この過程における中心的な問題は、選択された解の近傍を探索する方法である。 ランダムサンプリング法は,多目的問題の範囲にわたる系統探索法よりも一貫して高速であることを示す。
  論文  参考訳（メタデータ） (2026-01-09T21:27:30Z)
• Dynamic Search for Inference-Time Alignment in Diffusion Models [87.35944312589424]
  探索問題としての拡散における推論時間アライメントと動的拡散探索(DSearch)を提案する。 DSearchは、デノナイズプロセスからサブサンプルを取得し、中間ノードの報酬を近似する。 また、ビーム幅と木の拡大を動的に調整し、高次世代を効率的に探索する。
  論文  参考訳（メタデータ） (2025-03-03T20:32:05Z)
• SMT(LIA) Sampling with High Diversity [12.198700284977962]
  我々はCDCL(T)技術と局所探索を統合した最初のサンプリングフレームワークを開発した。 HighDiv は線形整数論の下で制約に対する非常に多様な解の集合を生成することができる。
  論文  参考訳（メタデータ） (2025-02-25T07:53:46Z)
• Learning to Control Local Search for Combinatorial Optimization [4.243592852049962]
  一般化の動物園と問題固有の局所探索の変種は、近似解を計算するのによく用いられる。 本稿では,そのような局所探索アルゴリズムの3つの独立したアルゴリズム的側面を同定し,最適化プロセス上でのシーケンシャルな選択を形式化する。 我々は、NeuroLSがオペレーティングリサーチの汎用ローカルサーチコントローラと最新の機械学習ベースのアプローチの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:48:56Z)
• RF-Next: Efficient Receptive Field Search for Convolutional Neural Networks [86.6139619721343]
  そこで本研究では,グローバル・ローカル・サーチ手法を用いて,より優れた受容場の組み合わせを求める。 我々の検索手法は, 粗い組み合わせを見つけるためにグローバル検索と, 洗練された受容場の組み合わせを得るために局所探索の両方を利用する。 我々のRF-Nextモデルは、様々なモデルに受容場探索を接続し、多くのタスクのパフォーマンスを高める。
  論文  参考訳（メタデータ） (2022-06-14T06:56:26Z)
• Flipping the switch on local exploration: Genetic Algorithms with Reversals [0.0]
  著者らは、勾配のない探索手法が離散領域における最適解を提供するのに適していることを示した。 また、複数のローカル検索を使用することで、ローカル検索のパフォーマンスが向上することを示した。 提案したGA変種は,提案した問題を含む全てのベンチマークにおいて,最小平均コストであり,ICが構成成分よりも優れた性能を発揮することが観察された。
  論文  参考訳（メタデータ） (2022-02-02T08:27:11Z)
• Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
  本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。 我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。 提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
  論文  参考訳（メタデータ） (2021-12-05T06:42:48Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)

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。