論文の概要: GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2605.19119v1
• Date: Mon, 18 May 2026 21:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.990391
• Title: GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization
• Title（参考訳）: GOAL:動的多目的最適化のためのグラフベースオブジェクト指向拡散解法
• Authors: Xingyu Li,
• Abstract要約: GOALは関係グラフ表現上の条件付き拡散解法である。 本稿では,異なる制約のクラスに対応する異なるエッジタイプが,グラフニューラルネットワークのメッセージパッシング構造を定義する異種グラフ符号化手法を提案する。 GOALは、最大20のジョブと60のオペレーションの複数の目的に対して、100%ソリューションの実現性とほぼゼロのMAPEを実現する。
• 参考スコア（独自算出の注目度）: 23.159351572430214
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing neural combinatorial optimization solvers frame solution search as imitation of optimal decisions, inherently limiting their utility to single-objective minimization and static constraints. We propose GOAL, a conditioned diffusion solver over relational graph representations that enables controllable decision generations by conditioning on human-specified objectives. We introduce a heterogeneous graph encoding in which distinct edge types, corresponding to different classes of constraints, define the message passing structure of the graph neural network, which allows information to propagate selectively according to the ontology of each constraint. GOAL is instantiated and evaluated on three canonical scheduling benchmarks of various constraint complexity: the Flow Shop Problem (FSP), the Job Shop Scheduling Problem (JSP), and the Flexible Job Shop Scheduling Problem (FJSP). Generalization is demonstrated across structurally distinct constraint regimes and problem types without architectural modification. On all three benchmarks, GOAL achieves 100% solution feasibility and near-zero MAPE (below 0.20%) on multiple objectives for problem sizes up to 20 jobs and 60 operations, outperforming NSGA-II and MOEA/D in both solution quality and inference speed by up to 25x.
• Abstract（参考訳）: 既存のニューラル組合せ最適化解法は、最適決定の模倣として、本質的には、その効用を単一目的の最小化と静的制約に制限する。 関係グラフ表現に対する条件付き拡散解法であるGOALを提案する。 各制約のオントロジーに応じて情報を選択的に伝播できるような、異なる制約のクラスに対応する異種グラフ符号化を導入し、グラフニューラルネットワークのメッセージパッシング構造を定義する。 GOALは、フローショップ問題(FSP)、ジョブショップスケジューリング問題(JSP)、フレキシブルジョブショップスケジューリング問題(FJSP)の3つの標準スケジューリングベンチマークでインスタンス化され、評価される。 一般化は構造的に異なる制約構造とアーキテクチャの変更なしに問題タイプにまたがって示される。 これら3つのベンチマークにおいて、GOALは、最大20のジョブと60のオペレーションの複数の目的に対して、100%のソリューション実現性とほぼゼロのMAPE(0.20%以下)を達成し、ソリューションの品質と推論速度の両方でNSGA-IIとMOEA/Dを上回っている。

関連論文リスト

• Scalable Inspection Planning via Flow-based Mixed Integer Linear Programming [8.568142982906755]
  検査計画とは、最短のロボット経路を計算して、与えられた一連の関心点を検査することである。 我々は、GIPのための高度にスケーラブルな混合線形プログラミング(MILP)ソリューションを提案し、ランタイムとソリューションの品質の両方において最先端の技術を著しく向上させます。
  論文  参考訳（メタデータ） (2026-03-17T14:40:26Z)
• UniHetCO: A Unified Heterogeneous Representation for Multi-Problem Learning in Unsupervised Neural Combinatorial Optimization [4.194554268792374]
  教師なしニューラルネットワーク最適化(NCO)は、教師付きアプローチに代わる魅力的な代替手段を提供する。 既存の教師なしのメソッドは通常、単一の問題クラスに特化している。 UniHetCOは単一入力における問題構造、目的語、線形制約を符号化する。 複数のデータセットと4つの制約付き問題クラスの実験は、競争性能を示している。
  論文  参考訳（メタデータ） (2026-03-12T02:32:19Z)
• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-14T02:58:07Z)
• Efficient QAOA Architecture for Solving Multi-Constrained Optimization Problems [3.757262277494307]
  本稿では,量子近似最適化Ansatzのための制約符号化手法の新たな組み合わせを提案する。 ワンホット制約は、検索空間を実現可能なサブ空間に自然に制限する$XY$-mixerによって強制される。 XY$-mixersは検索スペースを制限するため、特定の状態ベクトルエントリは常にゼロであり、シミュレーションから省略することができ、貴重なメモリとコンピューティングリソースを節約できる。
  論文  参考訳（メタデータ） (2025-06-03T17:46:53Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)

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。