論文の概要: cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2603.19163v1
• Date: Thu, 19 Mar 2026 17:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.293492
• Title: cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization
• Title（参考訳）: cuGenOpt: 組合せ最適化のためのGPUによる汎用メタヒューリスティックフレームワーク
• Authors: Yuyang Liu,
• Abstract要約: cuGenOptは汎用メタヒューリスティックフレームワークで、3つの次元すべてに同時に対処する。 エンジンレベルでは、cuGenOptは統一的なエンコーディング抽象化(置換、バイナリ、整数)、二段階演算子選択機構、ハードウェア対応リソース管理を採用する。 実験では、cuGenOptスイートは、MIPソルバを桁違いに上回り、特殊ソルバと競合する品質を示し、30秒以内にTSP-442の差は4.73%に達する。
• 参考スコア（独自算出の注目度）: 12.89168708039677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combinatorial optimization problems arise in logistics, scheduling, and resource allocation, yet existing approaches face a fundamental trade-off among generality, performance, and usability. We present cuGenOpt, a GPU-accelerated general-purpose metaheuristic framework that addresses all three dimensions simultaneously. At the engine level, cuGenOpt adopts a "one block evolves one solution" CUDA architecture with a unified encoding abstraction (permutation, binary, integer), a two-level adaptive operator selection mechanism, and hardware-aware resource management. At the extensibility level, a user-defined operator registration interface allows domain experts to inject problem-specific CUDA search operators. At the usability level, a JIT compilation pipeline exposes the framework as a pure-Python API, and an LLM-based modeling assistant converts natural-language problem descriptions into executable solver code. Experiments across five thematic suites on three GPU architectures (T4, V100, A800) show that cuGenOpt outperforms general MIP solvers by orders of magnitude, achieves competitive quality against specialized solvers on instances up to n=150, and attains 4.73% gap on TSP-442 within 30s. Twelve problem types spanning five encoding variants are solved to optimality. Framework-level optimizations cumulatively reduce pcb442 gap from 36% to 4.73% and boost VRPTW throughput by 75-81%. Code: https://github.com/L-yang-yang/cugenopt
• Abstract（参考訳）: 組合せ最適化問題は、ロジスティクス、スケジューリング、リソース割り当てにおいて発生するが、既存のアプローチは、一般性、パフォーマンス、ユーザビリティの基本的なトレードオフに直面している。 本稿では,GPUを高速化した汎用メタヒューリスティックフレームワークであるcuGenOptについて紹介する。 エンジンレベルでは、cuGenOptは「一つのブロックが1つのソリューションを進化させる」CUDAアーキテクチャを採用する。 拡張性レベルでは、ユーザ定義のオペレータ登録インターフェースにより、ドメインの専門家が問題固有のCUDA検索オペレータを注入することができる。 ユーザビリティのレベルでは、JITコンパイルパイプラインがフレームワークを純粋なPython APIとして公開し、LLMベースのモデリングアシスタントが自然言語の問題記述を実行可能なソルバコードに変換する。 3つのGPUアーキテクチャ(T4, V100, A800)上の5つのテーマスイートの実験では、cuGenOptは一般的なMIPソルバを桁違いに上回り、n=150のインスタンスで特別なソルバと競合する品質を達成し、30秒以内にTSP-442で4.73%のギャップを達成している。 5つの符号化変種にまたがる12の問題を最適に解決する。 フレームワークレベルの最適化により、pcb442のギャップが36%から4.73%に減少し、VRPTWスループットが75～81%向上した。 コード:https://github.com/L-yang-yang/cugenopt

関連論文リスト

• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• Protean Compiler: An Agile Framework to Drive Fine-grain Phase Ordering [2.5829132714658067]
  Protean Compilerは,詳細なスコープでフェーズオーダ機能を組み込んだLLVMを実現するための,アジャイルフレームワークである。 フレームワークはまた、さまざまなスコープで140以上の手作りの静的特徴収集メソッドの完全なライブラリを含んでいる。 この記事では,LLVM の O3 を使用中の Cbench アプリケーションに対して,平均で4.1% ,選択した Cbench アプリケーションで15.7% の高速化を実現している。
  論文  参考訳（メタデータ） (2026-02-05T19:24:05Z)
• QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
  大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。 本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。 LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T03:20:26Z)
• EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking [58.15568681219339]
  大規模言語モデル(LLM)を評価するための新しいベンチマークであるEquiBenchを紹介する。 このタスクは、プログラムのセマンティクスについて推論するモデルの能力を直接テストする。 19の最先端LCMを評価し、最も難しいカテゴリでは、最高の精度は63.8%と76.2%であり、50%のランダムベースラインよりわずかに高い。
  論文  参考訳（メタデータ） (2025-02-18T02:54:25Z)
• All-to-all reconfigurability with sparse and higher-order Ising machines [0.0]
  オール・ツー・オールのネットワーク機能をエミュレートする多重アーキテクチャを導入する。 適応並列テンパリングアルゴリズムの実行は、競合するアルゴリズムと事前ファクターの利点を示す。 pビットIMのスケールされた磁気バージョンは、汎用最適化のための最先端技術よりも桁違いに改善される可能性がある。
  論文  参考訳（メタデータ） (2023-11-21T20:27:02Z)
• INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
  計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。 InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。 1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
  論文  参考訳（メタデータ） (2023-08-11T04:24:39Z)
• Qubit efficient quantum algorithms for the vehicle routing problem on NISQ processors [48.68474702382697]
  時間窓付き車両ルーティング問題(VRPTW)は、ロジスティクス業界で直面する一般的な最適化問題である。 そこで本研究では,以前に導入した量子ビット符号化方式を用いて,バイナリ変数の数を削減した。
  論文  参考訳（メタデータ） (2023-06-14T13:44:35Z)
• QFactor: A Domain-Specific Optimizer for Quantum Circuit Instantiation [0.8258451067861933]
  本稿では、量子回路のインスタンス化、合成、およびコンパイル法で使用される数値最適化演算のためのドメイン固有アルゴリズムを提案する。 QFactorは解析手法とともにテンソルネットワークの定式化と反復的な局所最適化アルゴリズムを用いて問題パラメータの数を削減する。
  論文  参考訳（メタデータ） (2023-06-13T21:51:20Z)
• Towards making the most of NLP-based device mapping optimization for OpenCL kernels [5.6596607119831575]
  我々は、加速されたOpenCLカーネルのための最適なデバイス選択(CPUまたはGPU)の問題に取り組むCummins et al.、すなわちDeeptuneの開発を拡張した。 ソースコードの文脈情報を拡張した4つの異なるモデルを提案する。 実験の結果,提案手法はCumminsらの手法を上回り,予測精度を最大4%向上させることがわかった。
  論文  参考訳（メタデータ） (2022-08-30T10:20:55Z)
• Towards Accurate and Compact Architectures via Neural Architecture Transformer [95.4514639013144]
  計算コストを増すことなくパフォーマンスを向上させるために、アーキテクチャ内の操作を最適化する必要がある。 我々は最適化問題をマルコフ決定プロセス(MDP)にキャストするニューラルアーキテクチャ変換器(NAT)法を提案している。 NAT++(Neural Architecture Transformer++)メソッドを提案し、アーキテクチャ最適化のパフォーマンスを改善するために、候補遷移のセットをさらに拡大する。
  論文  参考訳（メタデータ） (2021-02-20T09:38:10Z)

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。