論文の概要: COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space

• arxiv url: http://arxiv.org/abs/2605.20618v1
• Date: Wed, 20 May 2026 02:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.435669
• Title: COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space
• Title（参考訳）: COAgents: ルーティング問題検索スペースの学習とナビゲートのためのマルチエージェントフレームワーク
• Authors: Oleksandr Yakovenko, Mahdi Mostajabdaveh, Cheikh Ahmed, Abdullah Ali Sivas, Xiaorui Li, Zirui Zhou, Mao Kun,
• Abstract要約: 車両ルーティング問題(VRP)は、多くの現実世界システムに必須であるが、その複雑さのため、大規模に拡張可能である。 検索プロセスをグラフとしてモデル化する協調型マルチエージェントフレームワークである textbfCOAgents を紹介する。 実験の結果、COAgentsはCVRPのいくつかの学習ベースラインと競合し続けており、より困難なVRPTWインスタンス上での学習ベースの手法の中で、新しい最先端の技術を定めている。
• 参考スコア（独自算出の注目度）: 18.154961815020155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although Vehicle Routing Problems (VRP) are essential to many real-world systems, they remain computationally intractable at scale due to their combinatorial complexity. Traditional heuristics rely on handcrafted rules for local improvements and occasional \textit{jumps} to escape local minima, but often struggle to generalize across diverse instances. We introduce \textbf{COAgents}, a cooperative multi-agent framework that models the search process as a graph: nodes represent solutions, and edges correspond to either local refinements or large perturbations for diversification (i.e., jumps). A \textit{Partial Search Graph} (PSG) is dynamically constructed during search, enabling COAgents to train a Node Selection Agent and a Move Selection Agent to guide intensification, and a Jump Agent to trigger well-timed explorations of new regions. Unlike end-to-end learning approaches, COAgents cleanly separates problem-agnostic search control from compact domain-specific encoding, facilitating adaptability across tasks. Extensive experiments on the CVRP and VRPTW benchmarks show that COAgents remains competitive with several learn-to-search baselines on CVRP and sets a new state of the art among learning-based methods on the more challenging VRPTW instances, reducing the gap to the best-known solutions by 14\% at $N\!=\!100$ and 44\% at $N\!=\!50$ relative to the strongest neural solver (POMO), and by 21\% and 40\% respectively relative to ALNS. Code is available at https://github.com/mahdims/COAgents.
• Abstract（参考訳）: 車両ルーティング問題(VRP)は多くの実世界のシステムに必須であるが、それらの組み合わせの複雑さのため、大規模に計算的に難解なままである。 伝統的なヒューリスティックは、局所的な改善のために手作りのルールと、時にはローカルなミニマから逃げ出すためにtextit{jumps} に依存するが、しばしば多様なインスタンスをまたいで一般化するのに苦労する。 我々は,探索プロセスをグラフとしてモデル化する協調型マルチエージェントフレームワークである‘textbf{COAgents} を紹介した。 検索中に動的に構築された \textit{Partial Search Graph} (PSG) により、COAgentsはノード選択エージェントとモブ選択エージェントをトレーニングして強化をガイドし、Jump Agentは新しい領域の探索をよく行うことができる。 エンドツーエンドの学習アプローチとは異なり、COAgentsは問題に依存しない検索制御をコンパクトなドメイン固有エンコーディングから明確に分離し、タスク間の適応性を促進する。 CVRPとVRPTWベンチマークに関する大規模な実験は、COAgentsがCVRPのいくつかの学習ベースラインと競争し続けていることを示している。 =\! 100ドルと44セントは$N\! =\! 50ドルを最強神経解法 (POMO) と比較し, ALNS と比較して 21 % と 40 % の値を示した。 コードはhttps://github.com/mahdims/COAgentsで入手できる。

関連論文リスト

• MARS$^2$: Scaling Multi-Agent Tree Search via Reinforcement Learning for Code Generation [29.92851142870157]
  強化学習(RL)パラダイムは、コード生成のような推論集約的なタスクに強いパフォーマンスを示してきた。 独立に最適化されたエージェントが協力する統一RLフレームワークである textbfMARS$2$ (Multi-Agent Reinforced Tree-Search Scaling) を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:52:24Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)
• TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems [44.035549471545586]
  TuneNSearchは、多種多様な車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習と局所探索アプローチである。 提案手法は,効率的な局所探索法により改良された高品質な解を生成するために強化学習を用いる。
  論文  参考訳（メタデータ） (2025-03-16T21:34:11Z)
• Destroy and Repair Using Hyper Graphs for Routing [14.391263435675587]
  ハイパーグラフに基づくDestroy-and-Repairフレームワークを提案する。 このフレームワークは連続した連続したエッジをハイパーエッジに減らし、モデルが破壊された部分により多くの注意を払って、すべてのノードを符号化する複雑さを減らします。
  論文  参考訳（メタデータ） (2025-02-22T10:04:58Z)
• A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
  結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。 我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
  論文  参考訳（メタデータ） (2025-02-14T15:21:27Z)
• Self-Localized Collaborative Perception [49.86110931859302]
  我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
  論文  参考訳（メタデータ） (2024-06-18T15:26:54Z)
• Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
  本稿では,分解が容易なマルチエージェントスキル発見法を提案する。 我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。 ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:53:12Z)
• UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
  我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。 一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
  論文  参考訳（メタデータ） (2020-10-06T19:08:47Z)

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。