論文の概要: A general optimization solver based on OP-to-MaxSAT reduction

• arxiv url: http://arxiv.org/abs/2604.21961v1
• Date: Thu, 23 Apr 2026 16:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.220677
• Title: A general optimization solver based on OP-to-MaxSAT reduction
• Title（参考訳）: OP-to-MaxSAT還元に基づく一般化最適化解法
• Authors: Yuxin Zhao, Han Huang, Zhifeng Hao,
• Abstract要約: OP-to-MaxSAT還元法とOP-to-MaxSAT還元法に基づく一般化最適化法を提案する。 GOREDは最適化問題からMaxSATインスタンスへの時間を短縮することで、複数のタイプの最適化問題の解決を統一する。 GOREDは、幅広い最適化問題をうまく解決するだけでなく、既存の手法に匹敵するソリューションも得られるが、統計的に有意な差は観測されていない。
• 参考スコア（独自算出の注目度）: 34.58535273116843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization problems are fundamental in diverse fields, such as engineering, economics, and scientific computing. However, current algorithms are mostly designed for specific problem types and exhibit limited generality in solving multiple types of optimization problems. To enhance generality, we propose an automated reduction method named OP-to-MaxSAT reduction and a general optimization solver based on OP-to-MaxSAT reduction (GORED). GORED unifies the solving of multiple types of optimization problems by reducing the problems from optimization problems to MaxSAT instances in polynomial time and solving them using the state-of-the-art MaxSAT solver. The generality and solution quality of GORED are validated through experiments on 136 instances across 11 types of optimization problems. Experimental results demonstrate that GORED not only successfully solves a wide range of optimization problems but also yields solutions comparable in quality to those from existing methods, with no statistically significant differences observed. By introducing automated reduction, this work shifts the paradigm of optimization solvers from designing specialized algorithms for each problem type to employing a single algorithm for diverse problems. As a result, advances in this single algorithm can now drive progress in a wide range of optimization problems across various domains.
• Abstract（参考訳）: 最適化問題は、工学、経済学、科学計算などの様々な分野において基本的な問題である。 しかし、現在のアルゴリズムは、主に特定の問題タイプ向けに設計されており、複数の最適化問題の解法において、限られた一般性を示す。 汎用性を高めるため,OP-to-MaxSATリダクションとOP-to-MaxSATリダクション(GORED)に基づく一般化解法を提案する。 GOREDは、最適化問題から多項式時間におけるMaxSATインスタンスへの問題を減らし、最先端のMaxSATソルバを用いて解決することで、複数の最適化問題の解決を統一する。 GOREDの汎用性とソリューションの品質は,11種類の最適化問題を対象とした136インスタンスの実験を通じて検証される。 実験の結果、GOREDは幅広い最適化問題を解くだけでなく、既存の手法に匹敵するソリューションも得られ、統計的に有意な差は見られなかった。 自動リダクションの導入により、最適化ソルバのパラダイムは、各問題タイプごとに特別なアルゴリズムを設計することから、多様な問題に1つのアルゴリズムを採用することへとシフトする。 結果として、この単一アルゴリズムの進歩は、様々な領域にまたがる幅広い最適化問題の進展を促すことができる。

関連論文リスト

• Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
  勾配学習における設計の自動化に関する理論的基礎を築いた。 勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
  論文  参考訳（メタデータ） (2025-12-06T09:50:41Z)
• Feature-based Evolutionary Diversity Optimization of Discriminating Instances for Chance-constrained Optimization Problems [9.617143859697322]
  予測値と分散を特徴とするコンポーネントを含む確率制約最適化問題に対するベンチマークインスタンスを進化させる。 提案手法は,一対のアルゴリズムの性能を効果的に区別しながら,異なる特徴に基づく多様なインスタンスを効果的に生成する。
  論文  参考訳（メタデータ） (2025-01-24T06:55:54Z)
• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
  本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2024-07-15T18:11:47Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Enhanced Opposition Differential Evolution Algorithm for Multimodal Optimization [0.2538209532048866]
  現実の問題は、本質的には複数の最適値からなるマルチモーダルである。 古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。 我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:18:27Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Gumbel-softmax-based Optimization: A Simple General Framework for Optimization Problems on Graphs [5.486093983007419]
  本稿では,ディープラーニングフレームワークによって強化された高度な自動微分技術に基づく,シンプルで高速で汎用的なアルゴリズムフレームワークを提案する。 高品質なソリューションは、従来のアプローチに比べてはるかに少ない時間で得られる。
  論文  参考訳（メタデータ） (2020-04-14T14:11:00Z)

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。