論文の概要: DyACE: Dynamic Algorithm Co-evolution for Online Automated Heuristic Design with Large Language Model
- arxiv url: http://arxiv.org/abs/2603.13344v1
- Date: Sat, 07 Mar 2026 06:46:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.102894
- Title: DyACE: Dynamic Algorithm Co-evolution for Online Automated Heuristic Design with Large Language Model
- Title（参考訳）: DyACE: 大規模言語モデルを用いたオンライン自動ヒューリスティック設計のための動的アルゴリズム共進化
- Authors: Guidong Lu, Yiping Liu, Xiangxiang Zeng,
- Abstract要約: 非定常バイレベル制御問題としてDyACE(Dynamic Co-evolution)を導入する。
DyACEの中核となる要素はLook-Ahead Rollout Searchである。
結果は、DyACEが最先端の静的ベースラインを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 12.490525543266807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevailing paradigm in Automated Heuristic Design (AHD) typically relies on the assumption that a single, fixed algorithm can effectively navigate the shifting dynamics of a combinatorial search. This static approach often proves inadequate for Perturbative Heuristics, where the optimal algorithm for escaping local optima depends heavily on the specific search phase. To address this limitation, we reformulate heuristic design as a Non-stationary Bi-level Control problem and introduce DyACE (Dynamic Algorithm Co-evolution). Distinct from standard open-loop solvers, DyACE use a Receding Horizon Control architecture to continuously co-evolve the heuristic logic alongside the solution population. A core element of this framework is the Look-Ahead Rollout Search, which queries the landscape geometry to extract Search Trajectory Features. This sensory feedback allows the Large Language Model (LLM) to function as a grounded meta-controller, prescribing phase-specific interventions tailored to the real-time search status. We validate DyACE on three representative combinatorial optimization benchmarks. The results demonstrate that our method significantly outperforms state-of-the-art static baselines, exhibiting superior scalability in high-dimensional search spaces. Furthermore, ablation studies confirm that dynamic adaptation fails without grounded perception, often performing worse than static algorithms. This indicates that DyACE's effectiveness stems from the causal alignment between the synthesized logic and the verified gradients of the optimization landscape.
- Abstract（参考訳）: AHD(Automated Heuristic Design)における一般的なパラダイムは、単一の固定アルゴリズムが組合せ探索のシフトダイナミクスを効果的にナビゲートできるという仮定に依存している。
この静的アプローチはしばしば摂動ヒューリスティックスに不適切であることを証明し、局所最適解を逃れるための最適なアルゴリズムは特定の探索フェーズに大きく依存する。
この制限に対処するため,非定常バイレベル制御問題としてヒューリスティック設計を再構成し,DyACE(Dynamic Algorithm Co-evolution)を導入する。
標準のオープンループソルバとは違い、DyACEはReceding Horizon Controlアーキテクチャを使用して、解人口とともにヒューリスティック論理を継続的に共進化させる。
このフレームワークの中核となる要素はLook-Ahead Rollout Searchである。
この感覚フィードバックにより、LLM(Large Language Model)は、リアルタイム検索状況に合わせてフェーズ固有の介入を規定する、基盤となるメタコントローラとして機能する。
3つの代表的な組合せ最適化ベンチマーク上でDyACEを検証する。
その結果,提案手法は最先端の静的ベースラインを著しく上回り,高次元探索空間において優れたスケーラビリティを示すことが示された。
さらに、アブレーション研究は、動的適応が基底的認識なしで失敗し、しばしば静的アルゴリズムよりも悪い結果をもたらすことを確認した。
このことは、DyACEの有効性は、合成された論理と最適化ランドスケープの検証された勾配との間の因果的アライメントに由来することを示している。
関連論文リスト
- Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。
EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。
商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
論文 参考訳（メタデータ） (2026-03-09T05:13:44Z) - K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。
我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。
GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
論文 参考訳（メタデータ） (2026-02-22T11:06:22Z) - TIDE: Tuning-Integrated Dynamic Evolution for LLM-Based Automated Heuristic Design [7.264986493460248]
TIDEはTuning-Integrated Dynamic Evolutionフレームワークで、パラメータ最適化から構造的推論を分離するように設計されている。
9つの最適化問題に対する実験により、TIDEは最先端のチューニング方法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2026-01-29T04:00:02Z) - ECCO: Evidence-Driven Causal Reasoning for Compiler Optimization [9.85275171877854]
検索で解釈可能な推論をブリッジするフレームワークであるECCOを紹介する。
本稿ではまず,Chain-of-Thoughtデータセットを構築するためのリバースエンジニアリング手法を提案する。
次に,大規模言語モデルがストラテジストとして機能する協調推論機構を設計する。
論文 参考訳（メタデータ） (2026-01-23T01:23:20Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - A surrogate model for topology optimisation of elastic structures via parametric autoencoders [0.0]
状態(および随伴)問題のパラメトリック解を学ぶ代わりに、提案手法は最適化パイプライン全体のサロゲートバージョンを考案する。
本手法は, 均質化法により最適化された高忠実度トポロジの代理モデルとして, 与えられた問題構成に対する準最適トポロジを予測する。
異なるアーキテクチャを提案し、得られたモデルの近似と一般化能力を数値的に評価する。
論文 参考訳（メタデータ） (2025-07-30T10:07:42Z) - 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) - Efficient Joint-Dimensional Search with Solution Space Regularization
for Real-Time Semantic Segmentation [27.94898516315886]
この問題に対して,リアルタイムに実行可能な最適ネットワーク構造を探索する。
新たな解空間規則化(SSR)損失は、スーパーネットが離散的に収束することを効果的に促すために最初に提案される。
より高効率な探索を実現するために,新しい階層的・プログレッシブ・ソリューション・スペース・スライキング法を提案する。
論文 参考訳（メタデータ） (2022-08-10T11:07:33Z) - Evolving Search Space for Neural Architecture Search [70.71153433676024]
最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。
我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。
遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
論文 参考訳（メタデータ） (2020-11-22T01:11:19Z) - Adaptive Discretization for Model-Based Reinforcement Learning [10.21634042036049]
本稿では,適応離散化手法を導入し,効率的なモデルに基づくエピソード強化学習アルゴリズムを設計する。
我々のアルゴリズムは、空間の適応的な離散化を維持するために拡張された楽観的なワンステップ値反復に基づいている。
論文 参考訳（メタデータ） (2020-07-01T19:36:46Z)
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。