論文の概要: CoupleEvo: Evolving Heuristics for Coupled Optimization Problems Using Large Language Models
- arxiv url: http://arxiv.org/abs/2605.06341v1
- Date: Thu, 07 May 2026 14:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.900655
- Title: CoupleEvo: Evolving Heuristics for Coupled Optimization Problems Using Large Language Models
- Title（参考訳）: CoupleEvo: 大規模言語モデルを用いた最適化問題に対するヒューリスティックの進化
- Authors: Thomas Bömer, Bastian Amberg, Max Disselnmeyer, Anne Meyer,
- Abstract要約: 結合最適化問題に対する3つの進化的コーディネート戦略を提案する。
実験により、分解に基づく戦略はより安定な収束とより高い解品質をもたらすことが示された。
統合進化戦略は、検索の複雑さと多様性の増大に悩まされている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real-world optimization problems consist of multiple tightly coupled subproblems whose solutions must be coordinated to achieve high overall performance. However, existing large language model driven automated heuristic design approaches are limited to single-problem settings. In this paper, we propose CoupleEvo. CoupleEvo proposes three evolutionary coordination strategies to evolve heuristics for coupled optimization problems: the sequential strategy evolves heuristics for one subproblem after the other; the iterative strategy alternates the evolution of heuristics for different subproblems over successive generations; and the integrated strategy evolves heuristics for all problems simultaneously. The approach is evaluated on two representative coupled optimization problems. Experimental results show that decomposition-based strategies (sequential and iterative) provide more stable convergence and higher solution quality, while the integrated evolution strategy suffers from increased search complexity and variability. These findings highlight the importance of coordinating evolutionary search across interdependent subproblems and demonstrate the potential of LLM-driven heuristic design for complex coupled optimization problems. The code is available: https://github.com/tb-git-kit-research/CoupleEvo.
- Abstract（参考訳）: 多くの実世界の最適化問題は、複数の密結合したサブプロブレムから成り、その解は高い総合的な性能を達成するために調整されなければならない。
しかし、既存の大規模言語モデルによる自動ヒューリスティック設計アプローチは、単一プロブレム設定に限定されている。
本稿では,CoupleEvoを提案する。
逐次戦略は1つのサブプロブレムに対してヒューリスティックを進化させ、反復戦略は連続的に異なるサブプロブレムに対するヒューリスティックを進化させ、統合戦略は全ての問題に対してヒューリスティックを同時に進化させる。
この手法は2つの代表的結合最適化問題に対して評価される。
実験結果から,分解に基づく戦略(逐次的かつ反復的)により,より安定な収束と解の質が向上する一方,統合的進化戦略は探索複雑性と変動性の増大に悩まされることがわかった。
これらの知見は、相互依存サブプロブレム間の進化的探索をコーディネートすることの重要性を強調し、複雑な結合最適化問題に対するLLM駆動ヒューリスティック設計の可能性を示した。
コードは、https://github.com/tb-git-kit-research/CoupleEvo.comで入手できる。
関連論文リスト
- A Learning-Based Cooperative Coevolution Framework for Heterogeneous Large-Scale Global Optimization [21.998622908002464]
我々はLH-CC(Learning-based Heterogeneous Coevolution Framework)を提案する。
LH-CCは各H-LSGO問題インスタンスに対して最適なサブプロブレムを適応的に選択する。
その結果, 動的選択は, 複雑なH-LSGO問題を解く上で重要な戦略であることがわかった。
論文 参考訳（メタデータ） (2026-03-30T00:18:05Z) - EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
EvoXは、独自の進化過程を最適化する適応進化法である。
進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。
AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
論文 参考訳（メタデータ） (2026-02-26T18:54:41Z) - 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) - A Framework for Combining Optimization-Based and Analytic Inverse Kinematics [53.66628333687382]
逆運動学(IK)問題の解法と最適化法はロボティクスの歴史において深く研究されている。
IK回避のための新しい定式化を提案する。
論文 参考訳（メタデータ） (2026-02-04T22:23:32Z) - Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。
最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。
本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
論文 参考訳（メタデータ） (2025-09-29T09:24:09Z) - Decomposition of Difficulties in Complex Optimization Problems Using a Bilevel Approach [0.30723404270319693]
実際の最適化問題には、特定の最適化方法に依存する場合、しばしば難解な様々な困難が含まれている。
複雑な最適化問題に対して2つのアプローチを同時に適用できる分解戦略を提案する。
論文 参考訳（メタデータ） (2024-07-03T18:59:17Z) - 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) - An Effective and Efficient Evolutionary Algorithm for Many-Objective
Optimization [2.5594423685710814]
様々な多目的問題に対処できる効率的な進化的アルゴリズム(E3A)を開発した。
SDEにインスパイアされたE3Aでは,新しい集団維持法が提案されている。
我々は、広範囲な実験を行い、E3Aが11の最先端の多目的進化アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-05-31T15:35:46Z) - Optimistic variants of single-objective bilevel optimization for
evolutionary algorithms [6.788217433800101]
ベンチマーク問題を解くために部分的部分進化的アプローチが提案され、優れた結果が得られた。
また、一般的な収束アプローチ、すなわち楽観的で悲観的なアプローチにも新しい変種が提案されている。
実験の結果、アルゴリズムは楽観的な変量を持つ最適解に異なる収束性を示す。
論文 参考訳（メタデータ） (2020-08-22T23:12:07Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
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。