論文の概要: Performance and Explainability Requirements of Evolutionary Algorithms in Real-World Physics-Informed Optimization
- arxiv url: http://arxiv.org/abs/2605.28164v1
- Date: Wed, 27 May 2026 08:47:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.906057
- Title: Performance and Explainability Requirements of Evolutionary Algorithms in Real-World Physics-Informed Optimization
- Title（参考訳）: 実世界の物理インフォームド最適化における進化的アルゴリズムの性能と説明可能性
- Authors: Helena Stegherr, Michael Heider, Nils Meyer, Tobias Thummerer, Thomas Wendler, Pierre Aublin, Ennio Idrobo-Àvila, Lars Mikelsons, Sebastian Zaunseder, Jörg Hähner,
- Abstract要約: 5つの実世界の物理に基づく最適化問題を導入し、ドメインの専門家によって説明される。
それぞれに対して,信頼性とユーザビリティを高めるための性能と説明可能性に関する進化的アルゴリズムの要件を提示する。
進化的アルゴリズムのこれらの側面を改善するために活用できる既存のアプローチを提案するが、我々の知識は複雑な現実世界のシナリオで採用されることはなかった。
- 参考スコア（独自算出の注目度）: 1.3593608888318645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary computation offers a variety of tools to solve complex real-world optimization problems. However, research often focuses on smaller, simplified problems and optimization algorithms that sometimes miss expectations in real-world scenarios. Additionally, trust in the applied algorithm and the solutions it provides is often essential in such settings, but requires an understanding of the search process itself. This leads to evolutionary computation often not being seriously considered by practitioners in many application contexts, among them physics-based modeling. In this article, techniques from evolutionary computation are detailed that can alleviate these problems. First, five real-world physics-based optimization problems are introduced and described by domain experts. For each of these, the requirements for the evolutionary algorithm regarding performance and explainability to increase trust and usability are presented. We found that all domain experts expect fast convergence to a good solution and want some explanations for how the results were formed, while other requirements strongly depend on the respective problem. Finally, we present existing approaches that can be leveraged to improve those aspects of evolutionary algorithms but have to our knowledge never been employed in complex real-world scenarios. This implies a gap between both domains that needs to be closed to exploit the full potential of evolutionary computation.
- Abstract（参考訳）: 進化的計算は、複雑な現実世界の最適化問題を解決する様々なツールを提供する。
しかしながら、研究はしばしばより小さく、単純化された問題と、現実のシナリオでの期待を逸脱する最適化アルゴリズムに焦点を当てている。
さらに、適用されたアルゴリズムとそれが提供するソリューションを信頼することは、そのような設定において必要不可欠であるが、検索プロセス自体を理解する必要がある。
この結果、進化的計算は、物理に基づくモデリングなど、多くのアプリケーションコンテキストにおいて実践者によって真剣に考慮されていないことが多い。
本稿では、これらの問題を緩和できる進化計算の技法を詳述する。
まず、現実世界の物理に基づく最適化問題を5つ導入し、ドメインの専門家によって記述する。
それぞれに対して,信頼性とユーザビリティを高めるための性能と説明可能性に関する進化的アルゴリズムの要件を提示する。
すべてのドメインの専門家が、優れたソリューションへの迅速な収束を期待し、結果の作り方についていくつかの説明を求めているのに対して、他の要件はそれぞれの問題に強く依存していることがわかりました。
最後に、進化的アルゴリズムのこれらの側面を改善するために活用できる既存のアプローチを提案する。
これは、進化的計算の潜在能力を最大限活用するために閉じる必要がある両方のドメイン間のギャップを意味する。
関連論文リスト
- Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。
推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
論文 参考訳（メタデータ） (2025-12-03T13:16:35Z) - Training Neural Networks at Any Scale [57.048948400182354]
本稿では、効率とスケールを重視したニューラルネットワークのトレーニングのための最新の最適化手法についてレビューする。
本稿では,問題の構造に適応することの重要性を強調する統一的アルゴリズムテンプレートの下で,最先端の最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-11-14T10:58:07Z) - Dual Adaptivity: Universal Algorithms for Minimizing the Adaptive Regret of Convex Functions [61.393184339405465]
オンライン学習において、新たなパフォーマンス指標、適応的後悔(adaptive regret)が提案された。
適応的後悔を最小限に抑えるために、いくつかのアルゴリズムが開発されている。
既存のアルゴリズムは1種類の凸関数しか扱えないという意味で普遍性を欠いている。
論文 参考訳（メタデータ） (2025-08-01T07:42:38Z) - AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。
AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。
本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2025-06-16T06:37:18Z) - A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。
文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。
20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-02T09:55:15Z) - Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and
Research Opportunities [63.258517066104446]
進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。
本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。
RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-25T15:06:05Z) - Runtime Analysis of Competitive co-Evolutionary Algorithms for Maximin Optimisation of a Bilinear Function [7.716156977428554]
共進化的アルゴリズムには、ハードウェア設計、ボードゲーム戦略の進化、ソフトウェアバグのパッチなど、幅広い応用がある。
これらのアルゴリズムはよく理解されておらず、しばしば病理学的行動によって制限される。
共進化的アルゴリズムが解を効率的にかつ確実に見つけることを予測できる理論を開発することは、オープンな挑戦である。
論文 参考訳（メタデータ） (2022-06-30T12:35:36Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Emergence of Structural Bias in Differential Evolution [0.0]
ヒューリスティック最適化アルゴリズムは、複雑な最適化問題の圧倒的に多いため、高い需要がある。
多くのアルゴリズムは、探索空間の特定の領域に惹かれるか、探索空間の領域を一貫して避けることによって構造バイアスを示す。
我々は、分化進化(DE)構成のためのそのような構造バイアスの出現、具体的には、異なる突然変異、交叉および修正戦略の効果を分析する。
論文 参考訳（メタデータ） (2021-05-10T22:22:27Z)
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。