論文の概要: Enhancing Genetic Algorithms with Graph Neural Networks: A Timetabling Case Study

• arxiv url: http://arxiv.org/abs/2602.08619v1
• Date: Mon, 09 Feb 2026 13:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.24052
• Title: Enhancing Genetic Algorithms with Graph Neural Networks: A Timetabling Case Study
• Title（参考訳）: グラフニューラルネットワークによる遺伝的アルゴリズムの強化:時系列ケーススタディ
• Authors: Laura-Maria Cornei, Mihaela-Elena Breabăn,
• Abstract要約: 本稿では,マルチモーダル遺伝的アルゴリズムとグラフニューラルネットワークのハイブリッド化による時間帯最適化の効果について検討する。 提案されたハイブリダイゼーションは、時間効率とソリューション品質のメトリクスの両方において統計的に有意な改善をもたらす。 我々の知る限り、この研究は、遺伝的アルゴリズムとグラフニューラルネットワークを初めてハイブリッド化して、時相問題の解法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper investigates the impact of hybridizing a multi-modal Genetic Algorithm with a Graph Neural Network for timetabling optimization. The Graph Neural Network is designed to encapsulate general domain knowledge to improve schedule quality, while the Genetic Algorithm explores different regions of the search space and integrates the deep learning model as an enhancement operator to guide the solution search towards optimality. Initially, both components of the hybrid technique were designed, developed, and optimized independently to solve the tackled task. Multiple experiments were conducted on Staff Rostering, a well-known timetabling problem, to compare the proposed hybridization with the standalone optimized versions of the Genetic Algorithm and Graph Neural Network. The experimental results demonstrate that the proposed hybridization brings statistically significant improvements in both the time efficiency and solution quality metrics, compared to the standalone methods. To the best of our knowledge, this work proposes the first hybridization of a Genetic Algorithm with a Graph Neural Network for solving timetabling problems.
• Abstract（参考訳）: 本稿では,マルチモーダル遺伝的アルゴリズムとグラフニューラルネットワークのハイブリッド化による時間帯最適化の効果について検討する。 グラフニューラルネットワークは、一般的なドメイン知識をカプセル化してスケジュール品質を向上させるように設計され、遺伝的アルゴリズムは検索空間の異なる領域を探索し、ディープラーニングモデルを拡張演算子として統合し、解探索を最適に導く。 当初、ハイブリッド技術の両方のコンポーネントは、取り組んだタスクを解決するために独立して設計され、開発され、最適化された。 遺伝的アルゴリズムとグラフニューラルネットのスタンドアロン最適化バージョンと比較するため、有名なタイムタブリング問題であるStaff Rosteringで複数の実験を行った。 実験結果から,提案手法は独立手法と比較して,時間効率とソリューション品質の指標の両方において統計的に有意な改善をもたらすことが示された。 我々の知る限り、この研究は、遺伝的アルゴリズムとグラフニューラルネットワークを初めてハイブリッド化して、時相問題の解法を提案する。

関連論文リスト

• Unrolled Graph Neural Networks for Constrained Optimization [83.29547301151177]
  2つの結合グラフニューラルネットワーク(GNN)における双対昇降アルゴリズムのダイナミクスについて検討する。 予備的ネットワークと二重ネットワークの更新を交互に行う共同学習手法を提案する。 我々の数値実験は、我々のアプローチがほぼ最適に近いほぼ実現可能な解をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-09-21T16:55:41Z)
• MeGA: Merging Multiple Independently Trained Neural Networks Based on Genetic Algorithm [0.0]
  本稿では, 遺伝的アルゴリズムであるMeGAを用いて, 複数の事前学習ニューラルネットワークの重みをマージする新しい手法を提案する。 我々のアプローチは、トーナメントの選択、クロスオーバー、突然変異による遺伝的アルゴリズムを利用して重量の組み合わせを最適化し、より効果的な融合を生み出す。
  論文  参考訳（メタデータ） (2024-06-07T03:31:58Z)
• Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
  遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。 本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T13:05:30Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。