論文の概要: Mathematical perspective on genetic algorithms with optimization guided operators

• arxiv url: http://arxiv.org/abs/2606.12279v1
• Date: Wed, 10 Jun 2026 16:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.555402
• Title: Mathematical perspective on genetic algorithms with optimization guided operators
• Title（参考訳）: 最適化演算子を用いた遺伝的アルゴリズムの数学的視点
• Authors: Anna Brandenberger, Ilan Doron-Arad, Elchanan Mossel,
• Abstract要約: MLにおける最近の研究は、最適化問題の解を反復的に改善するために、推論時に遺伝的アルゴリズムを適用している。 本稿では,クエリ複雑度問題として,遺伝的アルゴリズムの一般モデルと定式化最適化を導入する。 いくつかの最適化問題は、生成、突然変異、組換えを必要とする。
• 参考スコア（独自算出の注目度）: 11.520406711750757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work in ML applies genetic algorithms at inference time to iteratively improve solutions to optimization problems. The basic mutation and recombination operators involved are qualitatively different from those studied classically. Mutations are no longer random; an ML algorithm mutates a solution with the goal of improving an objective. Similarly, recombination is not based on random collages of parent solutions. Instead, it is an ML optimization-based operator whose goal is to synthesize improved solutions from its inputs. Thus, these mutation and recombination operators are more likely to improve the objective, but their computational cost is much higher. We introduce a general model of genetic algorithms and formulating optimization in this model as a query-complexity problem, using the language of reinforcement learning. We then study specialized models. We show that some optimization problems require generation, mutation, and recombination to be solved. We then obtain qualitatively tight algorithms for a family of problems within this framework that captures the nontrivial role of diversity in the solution pool, a key feature of practical ML genetic algorithms.
• Abstract（参考訳）: MLにおける最近の研究は、最適化問題の解を反復的に改善するために、推論時に遺伝的アルゴリズムを適用している。 基本突然変異と組換え演算子は古典的な研究と定性的に異なる。 MLアルゴリズムは、目標を改善するという目標でソリューションを変更します。 同様に、組換えは親解のランダムコラージュに基づいていない。 代わりに、ML最適化ベースの演算子であり、その目標は、その入力から改善されたソリューションを合成することである。 したがって、これらの突然変異と組換え演算子は目的を改善する傾向にあるが、その計算コストははるかに高い。 本稿では,強化学習の言語を用いて,遺伝的アルゴリズムの汎用モデルと,このモデルにおける定式化最適化を問合せ複雑度問題として導入する。 その後、専門モデルの研究を行う。 いくつかの最適化問題は、生成、突然変異、組換えを必要とする。 次に、このフレームワーク内の問題群に対する定性的に厳密なアルゴリズムを取得し、実際のML遺伝的アルゴリズムの重要な特徴であるソリューションプールにおける多様性の非自明な役割を捉える。

関連論文リスト

• Learnable Evolutionary Multi-Objective Combinatorial Optimization via Sequence-to-Sequence Model [43.53359509358102]
  SeqMOは、シークエンス・ツー・シークエンス・モデルと進化的アルゴリズムを統合する学習可能な多目的最適化手法である。 提案手法は,Pareto面への対物値距離に基づく近似解集合を分割し,対象空間における対物ベクトル角を最小化することにより,解間の写像関係を確立する。 多目的旅行セールスマン問題と多目的配置問題の実験により,アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-09T01:46:58Z)
• Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
  遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。 本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しい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） (2023-09-28T13:05:30Z)
• Polynomial-time Solver of Tridiagonal QUBO, QUDO and Tensor QUDO problems with Tensor Networks [41.94295877935867]
  本稿では,三対角四角形非制約二元最適化問題の解法として量子インスピレーション付きテンソルネットワークアルゴリズムを提案する。 また、直列鎖内の一方の隣り合う相互作用を伴うより一般的な2次非制約離散最適化問題を解く。
  論文  参考訳（メタデータ） (2023-09-19T10:45:15Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Discovering Attention-Based Genetic Algorithms via Meta-Black-Box Optimization [13.131971623143622]
  全く新しい遺伝的アルゴリズムをデータ駆動方式で発見する。 我々は、選択と突然変異率の適応をクロスアテンションモジュールおよびセルフアテンションモジュールとしてパラメトリズする。 学習アルゴリズムは、未確認の最適化問題、探索次元、評価予算に適用できる。
  論文  参考訳（メタデータ） (2023-04-08T12:14:15Z)
• On a class of geodesically convex optimization problems solved via Euclidean MM methods [50.428784381385164]
  ユークリッド凸化関数の違いは、統計学と機械学習の異なるタイプの問題の違いとして記述できることを示す。 最終的に、より広い範囲、より広い範囲の作業を支援するのです。
  論文  参考訳（メタデータ） (2022-06-22T23:57:40Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• Enhanced Innovized Repair Operator for Evolutionary Multi- and Many-objective Optimization [5.885238773559015]
  革新」とは、最適化問題においてパレート最適化(PO)ソリューションの一部または全部の共通関係を学習するタスクである。 近年の研究では、非支配的なソリューションの時系列配列もまた、問題の特徴を学習するのに使える有能なパターンを持っていることが示されている。 本稿では,Pareto-Optimal 集合に向けて,集団構成員を前進させるために必要な設計変数の修正を学習する機械学習(ML-)支援モデル手法を提案する。
  論文  参考訳（メタデータ） (2020-11-21T10:29:15Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Genetic optimization algorithms applied toward mission computability models [0.3655021726150368]
  遺伝的アルゴリズムは計算ベースであり、計算に低コストである。 遺伝的最適化アルゴリズムをミッションクリティカルかつ制約対応の問題に記述する。
  論文  参考訳（メタデータ） (2020-05-27T00:45:24Z)
• Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem [0.0]
  本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。 我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。 我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
  論文  参考訳（メタデータ） (2020-04-18T13:27:28Z)

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。