論文の概要: Discover Fast Power Allocation Solution for Multi-Target Tracking via AlphaEvolve Evolution
- arxiv url: http://arxiv.org/abs/2605.01794v1
- Date: Sun, 03 May 2026 09:19:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.941767
- Title: Discover Fast Power Allocation Solution for Multi-Target Tracking via AlphaEvolve Evolution
- Title（参考訳）: AlphaEvolve進化によるマルチターゲット追跡のための高速パワー割当解の探索
- Authors: Zhenkang Hou, Wenqiang Pu, Junkun Yan, Rui Zhou, Hongwei Liu,
- Abstract要約: 本稿では,大規模言語モデル (LLM) 誘導進化探索 (AlphaEvolve) を用いて,マルチターゲット追跡のためのクローズド・フォーム・パワーアロケーション・ソリューションを自律的に発見する。
実験により, 探索された閉形式解は, ほぼ最適追跡精度(平均相対的な性能損失は1.51%程度), 多様なシナリオや対象数に対する信頼性の高い一般化, 従来の反復解法に比べて3桁以上の高速化を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 17.275391869593882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient radar resource allocation is a fundamental yet computationally challenging problem, as optimal solutions typically require iterative optimization with high complexity. Motivated by the need for real-time scheduling, robust generalization, and low data dependency, this paper proposes a novel paradigm that leverages large language model (LLM)-guided evolutionary search (AlphaEvolve) to autonomously discover a closed-form power allocation solution for multi-target tracking. The approach encodes high-dimensional radar states into physically inspired features, then evolves a compact and interpretable scoring function, which is transformed to feasible power allocations via a deterministic constraint-satisfying transformation. Extensive experiments demonstrate that the discovered closed-form solution achieves near-optimal tracking accuracy (average relative performance loss of only $1.51\%$), reliable generalization across diverse scenarios and target counts, and over three orders of magnitude speedup compared to conventional iterative solvers. These results highlight the potential of LLM-guided symbolic search to revolutionize not only radar resource management but also broader classes of engineering optimization problems.
- Abstract（参考訳）: 効率的なレーダ資源割り当ては、通常、高複雑性の反復最適化を必要とするため、根本的なが計算的に難しい問題である。
本稿では,大規模言語モデル (LLM) 誘導進化探索 (AlphaEvolve) を利用して,マルチターゲット追跡のための閉形式パワーアロケーションソリューションを自律的に発見する手法を提案する。
このアプローチは高次元レーダ状態を物理的にインスパイアされた特徴にエンコードし、続いてコンパクトで解釈可能なスコアリング関数を進化させ、決定論的制約-満足変換によって実現可能なパワーアロケーションに変換する。
急激な実験により、発見された閉形式解は、ほぼ最適追跡精度(平均的な相対的な性能損失はわずか1.51\%)、様々なシナリオと対象数にわたる信頼性のある一般化、そして従来の反復解法と比較して3桁以上のスピードアップを達成することが示された。
これらの結果は、レーダ資源管理だけでなく、工学最適化問題の幅広いクラスにも革命をもたらすためのLLM誘導型記号探索の可能性を強調している。
関連論文リスト
- AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。
AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-23T18:45:31Z) - Adaptive Surrogate-Based Strategy for Accelerating Convergence Speed when Solving Expensive Unconstrained Multi-Objective Optimisation Problems [41.99844472131922]
本稿では,最先端MOEAの早期収束速度を高速化する適応的な代理モデル手法を提案する。
これは、解決者が比較的少ない適合関数評価で最適解や準最適解を識別できることを保証するためである。
提案手法は,広く知られている31のベンチマーク問題と実世界の北海魚量モデリングケーススタディで検証された。
論文 参考訳（メタデータ） (2026-01-29T15:46:52Z) - Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。
WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
論文 参考訳（メタデータ） (2024-07-18T02:46:06Z) - Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。
私たちの目標は、進化の集団の収束を早めることです。
論文 参考訳（メタデータ） (2024-05-09T13:44:04Z) - Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems [1.0499611180329806]
提案アルゴリズムは, ランクベース学習, ハイパーボリュームベース非支配探索, 比較的スパースな対象空間における局所探索の3つの部分からなる。
地熱貯留層熱抽出最適化におけるベンチマーク問題と実世界の応用の実験的結果は,提案アルゴリズムが優れた性能を示すことを示すものである。
論文 参考訳（メタデータ） (2023-04-19T06:25:04Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z) - A Reinforcement Learning based approach for Multi-target Detection in
Massive MIMO radar [12.982044791524494]
本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。
本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。
定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
論文 参考訳（メタデータ） (2020-05-10T16:29:06Z)
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。