論文の概要: LLM-Driven Co-Evolutionary Automated Heuristic Design for Bi-Component Coupled Combinatorial Optimization
- arxiv url: http://arxiv.org/abs/2606.00718v1
- Date: Sat, 30 May 2026 13:04:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.673819
- Title: LLM-Driven Co-Evolutionary Automated Heuristic Design for Bi-Component Coupled Combinatorial Optimization
- Title（参考訳）: 2成分結合組合せ最適化のためのLLM駆動共進化自動ヒューリスティック設計
- Abstract要約: 大規模言語モデル(LLM)は、最近、AHD(Automated Heuristic Design)で約束されている。
協調最適化における自動設計のためのLLM駆動型デュアルポピュレーション共進化型フレームワークであるCoEvo-AHDを提案する。
- 参考スコア（独自算出の注目度）: 9.1230734846341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Large Language Models (LLMs) have recently shown promise in Automated Heuristic Design (AHD), existing methods typically generate and evolve heuristics as a single operator or search strategy, limiting their ability to model strong coupling among multiple decision substructures in problems such as the Traveling Thief Problem (TTP) and the Traveling Purchaser Problem (TPP). In this work, we propose CoEvo-AHD, an LLM-driven dual-population co-evolutionary framework for automated heuristic design in coupled combinatorial optimization. Unlike prior methods that evolve individual heuristics in isolation, CoEvo-AHD leverages LLMs to co-evolve two closely related operator populations. A cooperative evaluation mechanism explicitly captures interactions between route and selection operators, while pairwise scoring and synergistic joint crossover help discover complementary operator logic for joint improvement across coupled decision subspaces. We further design a tool-invocation environment library that encapsulates frequently used core operations, such as local-search delta computation, into callable functions, enabling LLM-generated operators to use standardized interfaces instead of reimplementing inefficient and error-prone problem-specific loops. Experiments on TTP and TPP show that CoEvo-AHD automatically discovers cooperative heuristic combinations and achieves competitive solution quality against traditional heuristics.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、自動ヒューリスティックデザイン(AHD)において有望であることが示されているが、既存の手法は、通常、単一演算子や探索戦略としてヒューリスティックを生成・進化させ、トラベリングティーフ問題(TTP)やトラベリングパーチャザ問題(TPP)といった問題において、複数の決定サブ構造間の強い結合をモデル化する能力を制限する。
本研究では,LLM駆動による自動ヒューリスティック設計のための複合組合せ最適化フレームワークであるCoEvo-AHDを提案する。
個々のヒューリスティックを分離して進化させる従来の方法とは異なり、CoEvo-AHD は LLM を利用して2つの密接に関連する演算子集団を共進化させる。
協調的な評価機構は、経路演算子と選択演算子の間の相互作用を明示的に捉え、一方、ペアのスコアリングと相乗的ジョイントクロスオーバーは、結合された決定部分空間をまたいだ共同改善のための相補的な演算子論理を発見するのに役立つ。
さらに、ローカル検索デルタ計算などの頻繁に使用されるコア操作をコール可能な関数にカプセル化するツール起動環境ライブラリを設計し、非効率でエラーを起こしやすい問題固有のループを再実装する代わりに、LCM生成したオペレーターが標準化されたインタフェースを利用できるようにした。
TTP と TPP の実験により、CoEvo-AHD は協調的なヒューリスティックな組み合わせを自動的に発見し、従来のヒューリスティックと競合するソリューション品質を達成することを示した。
関連論文リスト
- LLM-Driven Joint Evolution of Coupled Heuristics Components for Routing Optimization [6.642260387629958]
本稿では,共有設計図の下で相互依存コンポーネントを共同で生成・発展する集団基盤フレームワークを提案する。
合成インスタンスと41の公開ベンチマークを通じて、LLM-HCJGは一貫して低い最適性ギャップを達成している。
論文 参考訳（メタデータ） (2026-09-02T09:25:55Z) - HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
HMACEは異種多言語協調進化フレームワークである。
それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。
冗長な評価を避けながら、多様で有望な行動への探索を導く。
論文 参考訳（メタデータ） (2026-05-08T04:02:28Z) - G-LNS: Generative Large Neighborhood Search for LLM-Based Automatic Heuristic Design [7.681872137995253]
本稿では,Large Neighborhood Search(LNS)演算子を拡張した生成的進化的フレームワークを提案する。
G-LNSはLarge Language Models (LLMs)を活用して、密結合した破壊と修復のオペレータを共同開発する。
実験により、G-LNSは強力な古典解法と同様にLLMベースのAHD法よりも著しく優れていた。
論文 参考訳（メタデータ） (2026-02-09T04:13:35Z) - Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization [21.70371026963599]
MOEAのマルチオペレータ最適化はマルコフ決定プロセスとして定式化されている。
E2OCは、最先端のAHDや他のマルチヒューリスティックな共同設計フレームワークを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-25T16:31:07Z) - Token-Level LLM Collaboration via FusionRoute [60.72307345997823]
FusionRouteはトークンレベルのマルチLLMコラボレーションフレームワークである。
各デコーディングステップで最も適した専門家を選択し、選択した専門家の次のTokenディストリビューションを洗練または修正する補完ロジットをコントリビュートする。
シーケンスレベルのコラボレーションとトークンレベルのコラボレーション、モデルマージ、ダイレクト微調整の両方に優れています。
論文 参考訳（メタデータ） (2026-01-08T16:53:16Z) - 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) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z) - Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。
制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。
本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
論文 参考訳（メタデータ） (2025-03-27T17:34:25Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization [25.209951743372855]
PARCOはマルチエージェントタスクのための高品質なソリューションを効率的に構築するために設計された強化学習フレームワークである。
マルチエージェント車両のルーティングとスケジューリングにおけるPARCOの評価を行い,提案手法は最先端の学習方法よりも優れていることを示した。
論文 参考訳（メタデータ） (2024-09-05T17:49:18Z)
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。