論文の概要: Learning to Solve and Optimize by Evolving Code

• arxiv url: http://arxiv.org/abs/2605.31049v1
• Date: Fri, 29 May 2026 09:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.50333
• Title: Learning to Solve and Optimize by Evolving Code
• Title（参考訳）: コードの進化による解決と最適化の学習
• Abstract要約: コード進化によるアルゴリズム生成は、その方法の定式化の必要性を排除し、パラダイムシフトを表していることを示す。 いずれの場合も、進化したアルゴリズムは最先端の解法よりも一貫して優れている。 これは、複雑な現実世界の問題を自動解決するためのコード進化を導くフォーマルな方法の可能性を強調している。
• 参考スコア（独自算出の注目度）: 7.672098994389998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combinatorial and optimization problems are fundamental to many industrial AI applications. Solving large-scale real-world instances of such problems typically requires careful problem formalization, specialized solvers, and expert-designed heuristics. Thus, experts need to specify not only what solutions are, but also how they are derived. By introducing the tool CHECKMATE, we show that algorithm generation via code evolution represents a paradigm shift by eliminating the need to formulate the how. CHECKMATE solely relies on the what. Specifically, a formal specification ensures solutions' correctness and enables systematic performance evaluation of the generated programs, while a natural language description guides the evolutionary process. The effectiveness of our method is demonstrated on selected problems from two industrial domains: configuration and scheduling. In all cases, the evolved algorithms consistently outperform state-of-the-art solvers. This underscores the potential of formal methods in guiding code evolution for automatically solving complex real-world problems.
• Abstract（参考訳）: 組合せと最適化の問題は、多くの産業用AIアプリケーションに欠かせない問題である。 このような問題の大規模な実世界のインスタンスを解くには、注意深い問題形式化、専門的な解法、専門家が設計したヒューリスティックスが必要である。 したがって、専門家は、どのソリューションがどのソリューションであるかだけでなく、どのように派生するかも特定する必要がある。 ツールCHECKMATEを導入することで、コード進化によるアルゴリズム生成がパラダイムシフトを表していることを示す。 CHECKMATEは、何にのみ依存している。 具体的には、形式的な仕様は、ソリューションの正しさを保証し、生成したプログラムの体系的な性能評価を可能にする一方で、自然言語記述は進化過程を導く。 提案手法の有効性は,2つの産業領域から選択された問題 – 構成とスケジューリング – に対して実証される。 いずれの場合も、進化したアルゴリズムは最先端の解法よりも一貫して優れている。 これは、複雑な現実世界の問題を自動解決するためのコード進化を導くフォーマルな方法の可能性を強調している。

関連論文リスト

• Uncertainty-Aware Generation and Decision-Making Under Ambiguity [57.15357080072861]
  本稿では,ベイズ決定理論とリスク逆決定法に基づく不確実性を考慮した意思決定アルゴリズムを提示し,評価する。 これらのアルゴリズムは世代別の有用性を向上させることができるが、あいまいさが高い場合には慎重に実装する必要があることを実証的に見出した。
  論文  参考訳（メタデータ） (2026-06-29T17:20:43Z)
• Performance and Explainability Requirements of Evolutionary Algorithms in Real-World Physics-Informed Optimization [1.3593608888318645]
  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。
  論文  参考訳（メタデータ） (2026-05-27T08:47:26Z)
• 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)
• Neural Predictor-Corrector: Solving Homotopy Problems with Reinforcement Learning [38.623998031868595]
  Homotopyのパラダイムは、ロバストな最適化、グローバルな最適化、ルートフィニング、サンプリングなど、さまざまな領域にまたがっている。 我々は手作りのNPCを自動学習ポリシーで置き換えるニューラル予測器(NPC)を提案する。 NPCは、タスク間で優れた安定性を示しながら、古典的および特殊的ベースラインの効率を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-03T04:19:48Z)
• SolverLLM: Leveraging Test-Time Scaling for Optimization Problem via LLM-Guided Search [58.116954449750544]
  多様な最適化問題を解決するために,テスト時間スケーリングを活用したトレーニング不要のフレームワークを導入する。 直接的に解くのではなく、数学的定式化を生成し、新しいモンテカルロ木探索戦略によって導かれる解法対応のコードに変換する。
  論文  参考訳（メタデータ） (2025-10-19T16:21:19Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• 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)
• EXALT: EXplainable ALgorithmic Tools for Optimization Problems [2.1184929769291294]
  本稿では、最適化問題から始めることで、説明可能なアルゴリズムを開発するための新しいアプローチを提案する。 開発したソフトウェアライブラリは,4つの重要な方法論を通じて,人間に理解可能な説明を伴う基本アルゴリズムを充実させる。
  論文  参考訳（メタデータ） (2025-02-28T10:28:20Z)
• Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
  本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。 オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。 我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-03T20:41:38Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
  メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。 本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
  論文  参考訳（メタデータ） (2022-10-23T22:21:10Z)
• Unifying Framework for Optimizations in non-boolean Formalisms [0.6853165736531939]
  多くの一般的な自動推論パラダイムは最適化文をサポートする言語を提供する。 本稿では,パラダイム間の統語的区別を排除する統一フレームワークを提案する。 本稿では,提案方式の形式的特性を,我々の枠組み内で捉えることができるパラダイムの形式的特性に変換するシステムについて検討する。
  論文  参考訳（メタデータ） (2022-06-16T00:38:19Z)

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。