論文の概要: ImprovEvolve: Ask AlphaEvolve to Improve the Input Solution and Then Improvise
- arxiv url: http://arxiv.org/abs/2602.10233v1
- Date: Tue, 10 Feb 2026 19:23:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.251316
- Title: ImprovEvolve: Ask AlphaEvolve to Improve the Input Solution and Then Improvise
- Title（参考訳）: ImprovEvolve: AlphaEvolveに入力ソリューションの改善と改善を依頼
- Authors: Alexey Kravatskiy, Valentin Khrulkov, Ivan Oseledets,
- Abstract要約: 我々は、AlphaEvolveのようなLSMベースの進化的アプローチを強化するための、シンプルで効果的な手法である ImprovEvolveを提案する。
我々は、AlphaEvolveの論文から、六角形内の六角形充填と2番目の自己相関不等式という難題について、PuccessEvolveの評価を行った。
ヘキサゴンパッキングでは、進化したプログラムは、11、12、15、16ヘキサゴンの新たな最先端結果を達成する。
- 参考スコア（独自算出の注目度）: 6.788279278334041
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in LLM-guided evolutionary computation, particularly AlphaEvolve, have demonstrated remarkable success in discovering novel mathematical constructions and solving challenging optimization problems. In this article, we present ImprovEvolve, a simple yet effective technique for enhancing LLM-based evolutionary approaches such as AlphaEvolve. Given an optimization problem, the standard approach is to evolve program code that, when executed, produces a solution close to the optimum. We propose an alternative program parameterization that maintains the ability to construct optimal solutions while reducing the cognitive load on the LLM. Specifically, we evolve a program (implementing, e.g., a Python class with a prescribed interface) that provides the following functionality: (1) propose a valid initial solution, (2) improve any given solution in terms of fitness, and (3) perturb a solution with a specified intensity. The optimum can then be approached by iteratively applying improve() and perturb() with a scheduled intensity. We evaluate ImprovEvolve on challenging problems from the AlphaEvolve paper: hexagon packing in a hexagon and the second autocorrelation inequality. For hexagon packing, the evolved program achieves new state-of-the-art results for 11, 12, 15, and 16 hexagons; a lightly human-edited variant further improves results for 14, 17, and 23 hexagons. For the second autocorrelation inequality, the human-edited program achieves a new state-of-the-art lower bound of 0.96258, improving upon AlphaEvolve's 0.96102.
- Abstract（参考訳）: LLM誘導進化計算、特にAlphaEvolveの最近の進歩は、新しい数学的構造を発見し、挑戦的な最適化問題を解くことに顕著な成功を収めている。
本稿では、AlphaEvolveのようなLSMベースの進化的アプローチを強化するための、シンプルで効果的な手法である ImprovEvolveを提案する。
最適化の問題を考えると、標準的なアプローチはプログラムコードを進化させ、実行すると最適に近い解を生成することである。
LLMの認知負荷を低減しつつ最適解を構築する能力を維持するプログラムパラメータ化を提案する。
具体的には,(1)有効な初期解を提案し,(2)適合性の観点から任意のソリューションを改善し,(3)特定の強度でソリューションを摂動させる,という機能を備えたプログラム(実装,例えば,所定のインターフェースを持つPythonクラス)を進化させる。
次に、最適値は、スケジュールされた強度で Improv() と perturb() を反復的に適用することでアプローチすることができる。
我々は、AlphaEvolveの論文から、六角形内の六角形充填と2番目の自己相関不等式という難題について、PuccessEvolveの評価を行った。
ヘキサゴンパッキングでは、進化したプログラムは、11、12、15、16ヘキサゴンの新たな最先端結果を達成する。
第2の自己相関不等式では、AlphaEvolveの 0.96102 を改良した、新しい最先端の0.96258の下限を達成する。
関連論文リスト
- ThetaEvolve: Test-time Learning on Open Problems [110.5756538358217]
In-context LearningとReinforcement Learning(RL)の両方をテスト時に効率的にスケールするために、AlphaEvolveを単純化し拡張するオープンソースのフレームワークであるThetaEvolveを紹介します。
テスト時にRLを使用するThetaEvolveは、推論のみのベースラインよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-11-28T18:58:14Z) - 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) - AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。
AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。
本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2025-06-16T06:37:18Z) - Guided Evolution with Binary Discriminators for ML Program Search [64.44893463120584]
プログラムのペアがどのプログラムの方が優れているかを識別するために、オンラインで訓練された二項判別器による指導進化を提案する。
本稿では,MLの記号探索における3.7倍の高速化,RL損失関数の4倍の高速化など,様々な問題に対する進化の高速化を実証する。
論文 参考訳（メタデータ） (2024-02-08T16:59:24Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z) - Genetic Improvement in the Shackleton Framework for Optimizing LLVM Pass
Sequences [2.25491649634702]
線形遺伝プログラミングフレームワークShackletonにおけるパスレベルのパッチ表現を開発し、デフォルトの最適化パスシーケンスに適用するための修正を進化させる。
我々のGI進化ソリューションは、デフォルトのコード生成オプションの-O3最適化レベルと比較して平均3.7%のランタイム改善があります。
論文 参考訳（メタデータ） (2022-04-28T02:48:04Z) - Evolving Evolutionary Algorithms using Linear Genetic Programming [0.0]
このモデルは線形遺伝的プログラミング(LGP)技術に基づいている。
機能最適化のためのいくつかの進化的アルゴリズム、トラベリングセールスマン問題、および擬似アサインメント問題は、検討されたモデルを用いて進化する。
論文 参考訳（メタデータ） (2021-08-21T19:15:07Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - A Study of a Genetic Algorithm for Polydisperse Spray Flames [0.0]
遺伝的アルゴリズム(GA)は、高品質なソリューションの生成と最適化を可能にする強力なツールである。
本論では, 独特な燃焼問題に対する最適性を検討するために, GA機能を利用したい。
より正確には,iDSD(Initial Droplet size distribution)のどの形態が最適な火炎を保証してくれるか,という疑問に答えるために利用したい。
論文 参考訳（メタデータ） (2020-08-11T10:17:42Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Devolutionary genetic algorithms with application to the minimum
labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。
我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。
我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文 参考訳（メタデータ） (2020-04-18T13:27:28Z)
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。