論文の概要: TransGP: Task-Conditioned Transformer-Guided Genetic Programming for Multitask Dynamic Flexible Job Shop Scheduling

• arxiv url: http://arxiv.org/abs/2604.03705v1
• Date: Sat, 04 Apr 2026 12:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.731131
• Title: TransGP: Task-Conditioned Transformer-Guided Genetic Programming for Multitask Dynamic Flexible Job Shop Scheduling
• Title（参考訳）: TransGP:マルチタスク動的フレキシブルジョブショップスケジューリングのためのタスク記述型トランスフォーマー誘導型遺伝的プログラミング
• Authors: Meng Xu, Jiao Liu, Hua Yu, Yew Soon Ong,
• Abstract要約: 超ヒューリスティックスは、動的フレキシブルなジョブショップスケジューリング(DFJSS)問題を解決するための一般的なアプローチとなっている。 彼らは、遺伝的プログラミング(GP)のような勾配のない最適化技術を使って、微分不可能な問題を進化させている。 本稿では,タスク記述型トランスフォーマー誘導GPフレームワークである Multitask TransGP を提案する。
• 参考スコア（独自算出の注目度）: 35.47397760587677
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hyper-heuristics have become a popular approach for solving dynamic flexible job shop scheduling (DFJSS) problems. They use gradient-free optimization techniques like Genetic Programming (GP) to evolve non-differentiable heuristics. However, conventional GP methods tend to converge slowly because they rely solely on evolutionary search to find good heuristics. Existing multitask GP methods can solve multiple tasks simultaneously and speed up the search by transferring knowledge across similar tasks. But they mostly exchange heuristic building blocks without truly generating heuristics conditioned on task information. In this paper, we aim to accelerate convergence and enable task-specific heuristic generation by incorporating a task-conditioned Transformer model. The Transformer works in two ways. First, it learns the distribution of elite heuristics, biasing the search toward promising regions of the heuristic space. Second, through conditional generation, it produces heuristics tailored to specific tasks, allowing the model to handle multiple scheduling tasks at once and improving overall optimization efficiency. Based on these ideas, we propose TransGP, a Task-Conditioned Transformer-Guided GP framework. This evolutionary paradigm integrates generative modeling with GP, enabling efficient multitask heuristic learning and knowledge transfer. We evaluate TransGP on a range of DFJSS scenarios. Experimental results show that TransGP consistently outperforms multitask GP baselines, widely used handcrafted heuristics, and the pure Transformer model, achieving faster convergence, superior solution quality, and enhanced robustness.
• Abstract（参考訳）: 超ヒューリスティックスは、動的フレキシブルなジョブショップスケジューリング(DFJSS)問題を解決するための一般的なアプローチとなっている。 彼らは、遺伝的プログラミング(GP)のような勾配のない最適化技術を使って、微分不可能なヒューリスティックを進化させる。 しかし、従来のGP法は進化探索のみに頼って良いヒューリスティックを求めるため、ゆっくりと収束する傾向にある。 既存のマルチタスクGP手法は複数のタスクを同時に解くことができ、類似したタスク間で知識を伝達することで検索を高速化することができる。 しかし、彼らは主に、タスク情報に条件付けられたヒューリスティックを生成せずに、ヒューリスティックなビルディングブロックを交換します。 本稿では,タスク条件変換モデルを導入することで,収束を加速し,タスク固有のヒューリスティック生成を可能にすることを目的とする。 Transformerは2つの方法がある。 まず、エリートヒューリスティックスの分布を学習し、ヒューリスティック空間の有望な領域への探索をバイアスする。 第二に、条件付き生成により、特定のタスクに適したヒューリスティックを生成し、モデルが複数のスケジューリングタスクを同時に扱えるようにし、全体的な最適化効率を向上させる。 これらのアイデアに基づいて,タスクコンディション付きトランスフォーマーガイド型GPフレームワークであるTransGPを提案する。 この進化的パラダイムは生成モデリングとGPを統合し、効率的なマルチタスクヒューリスティック学習と知識伝達を可能にする。 DFJSSのシナリオでTransGPを評価する。 実験結果から,TransGPはマルチタスクGPベースライン,手工業的ヒューリスティックス,純粋トランスフォーマーモデルに一貫して優れ,より高速な収束,優れた解品質,強靭性を実現していることがわかった。

関連論文リスト

• Scalable multitask Gaussian processes for complex mechanical systems with functional covariates [0.6999740786886536]
  タスクや関数入力間の依存関係をキャプチャする,完全分離可能なカーネル構造を導入する。 提案モデルは, 合成ベンチマークで検証し, 現実的な構造に適用する。 リベット組立では、正確な平均と信頼区間の予測を生成するのに100点未満のサンプルが必要である。
  論文  参考訳（メタデータ） (2026-02-24T07:40:20Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Genetic Programming with Reinforcement Learning Trained Transformer for Real-World Dynamic Scheduling Problems [25.62765688986959]
  本稿では,GPRT(Reinforcement Learning)を用いて学習したトランスフォーマーと遺伝的プログラミング(GP)を組み合わせた革新的なアプローチを提案する。 GPRTは動的スケジューリングシナリオの複雑さに対処するように設計されている。 この統合アプローチの有効性は,コンテナターミナルトラックスケジューリングの実用化を通じて実証される。
  論文  参考訳（メタデータ） (2025-04-10T14:18:22Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• Scalable Meta-Learning with Gaussian Processes [11.528128570533273]
  タスク数でスケーラブルなメタ学習のためのモジュール型GPモデルであるScaML-GPを開発した。 私たちのコアコントリビューションは、階層的なトレーニングとタスクのスケーラビリティを可能にする、慎重に設計されたマルチタスクカーネルです。 合成および実世界のメタ学習実験において、ScaML-GPは少ないメタタスクと多数のメタタスクの両方で効率的に学習できることを実証した。
  論文  参考訳（メタデータ） (2023-12-01T17:25:10Z)
• Deep Transformed Gaussian Processes [0.0]
  変換ガウス過程(英: Transformed Gaussian Processs、TGP)は、可逆変換を用いて、前者のプロセス(典型的にはGP)からサンプルを共分散から変換することによって定義される過程である。 本稿では,プロセスの階層化の傾向に従い,DTGP(Deep Transformed Gaussian Processs)と呼ばれるTGPの一般化を提案する。 実験では、提案したDTGPを複数の回帰データセットで評価し、優れたスケーラビリティと性能を実現した。
  論文  参考訳（メタデータ） (2023-10-27T16:09:39Z)
• DeGMix: Efficient Multi-Task Dense Prediction with Deformable and Gating Mixer [129.61363098633782]
  変形およびゲーティングミキサー(DeGMix)を用いた効率的なマルチタスク密度予測法を提案する。 提案したDeGMixはGFLOPを少なくし、現在のTransformerベースの競合モデルとCNNベースの競合モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-08-10T17:37:49Z)

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。