論文の概要: Large Language Model-Driven Cooperative Operator Ensemble Evolution for Permutation Flow Shop Scheduling

• arxiv url: http://arxiv.org/abs/2606.15334v2
• Date: Tue, 16 Jun 2026 10:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.73007
• Title: Large Language Model-Driven Cooperative Operator Ensemble Evolution for Permutation Flow Shop Scheduling
• Title（参考訳）: 可変フローショップスケジューリングのための大言語モデル駆動協調演算子アンサンブル進化
• Authors: Rui Xu, Yufan Liao, Haoze Lv, Shengcai Liu, Yi Mei, Ke Tang,
• Abstract要約: 本研究は、IG-DOEと呼ばれるマルチトリガーIGアルゴリズムを提案し、単一の探索軌道に沿って異種破壊演算子を切り替えることにより探索を強化する。 挑戦的なVRF-hard-largeベンチマークの実験によると、DOEは小さな問題インスタンスから大きな未確認インスタンスへと進化した。 実世界の産業データ由来のインスタンスに関するさらなる実験は、進化したDOEが、追加の適応なしに、異なるデータに効果的に一般化できることをさらに示している。
• 参考スコア（独自算出の注目度）: 10.238655892058295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The permutation flow shop scheduling problem (PFSP) is a classical NP-hard combinatorial optimization problem in intelligent manufacturing. In practice, PFSP is commonly addressed using metaheuristic algorithms, among which the iterated greedy (IG) algorithm is widely adopted due to its simplicity and strong empirical performance. However, classical IG relies on a single fixed destruction operator, which often limits exploration and leads to search stagnation on large and complex problem instances. To address this issue, this work proposes a multi-operator IG algorithm, termed IG-DOE, which enhances exploration by switching among heterogeneous destruction operators along a single search trajectory. The core mechanism, called stagnation-triggered sequential switching, activates the next destruction operator in an ordered destruction operator ensemble (DOE) when stagnation is detected, thereby enriching the perturbation behavior of classical IG. Moreover, to reduce reliance on expert-crafted operators, a large language model (LLM)-assisted framework, termed SCOE, is introduced to automatically construct a high-quality DOE through stagewise evolution, state-awareness, and cooperative evaluation. Experiments on the challenging VRF-hard-large benchmark show that the DOE evolved from smaller problem instances generalizes well to larger unseen instances. Under the same CPU-time limit, IG-DOE obtained much better average performance than QIG, a state-of-the-art IG algorithm. Additional experiments on real-world industrial-data-derived instances further show that the evolved DOE can generalize effectively to different data distributions without additional adaptation.
• Abstract（参考訳）: 置換フローショップスケジューリング問題(PFSP)は、知的製造における古典的なNPハード組合せ最適化問題である。 実際には、PFSPはメタヒューリスティックアルゴリズム(英語版)(メタヒューリスティックアルゴリズム)を用いて、その単純さと強い経験的性能のために反復グリーディ(IG)アルゴリズムが広く採用されている。 しかし、古典的なIGは単一の固定破壊演算子に依存しており、探索を制限し、大規模で複雑な問題の場合の探索の停滞につながることが多い。 この問題に対処するため, IG-DOEと呼ばれる多演算IGアルゴリズムを提案する。 スターネーショントリガー型シーケンシャルスイッチングと呼ばれるコア機構は、ステージネーションが検出されたとき、順序付けられた破壊演算子アンサンブル(DOE)において次の破壊演算子を活性化し、古典IGの摂動挙動を増強する。 さらに,専門家による演算子への依存を軽減するため,大規模言語モデル(LLM)支援フレームワークであるSCOEを導入し,段階的進化,状態認識,協調評価を通じて高品質なDOEを自動構築する。 挑戦的なVRF-hard-largeベンチマークの実験は、より小さな問題インスタンスから大きな未確認インスタンスへとDOEが進化したことを示している。 同じCPU時間制限の下で、IG-DOEは最先端IGアルゴリズムであるQIGよりも平均性能がはるかに向上した。 実世界の産業データ由来のインスタンスに関するさらなる実験は、進化したDOEが、さらなる適応なしに、異なるデータ分布に効果的に一般化できることをさらに示している。

関連論文リスト

• LLM-Driven Co-Evolutionary Automated Heuristic Design for Bi-Component Coupled Combinatorial Optimization [9.1230734846341]
  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。
  論文  参考訳（メタデータ） (2026-05-30T13:04:51Z)
• 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)
• Edge Collaborative Gaussian Splatting with Integrated Rendering and Communication [69.23838350582764]
  エッジ協調(ECO-GS)では,各ユーザが小さなGSモデルに切り替えて忠実さを保証し,遠隔大GSモデルで忠実さを保証できる。 低コストのレンダリングステータスとエッジパワー割り当てを協調的に最適化する統合通信(IRAC)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T15:33:29Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Fully Tensorized GPU-accelerated Multi-population Evolutionary Algorithm for Constrained Multiobjective Optimization Problems [12.480139972771964]
  本稿では,GMPEAと呼ばれるGPUによる多集団進化アルゴリズムを提案する。 まず、GPU環境で実装された代表的CMOEAの性能ボトルネックを分析する。 計算速度とソリューションパフォーマンスのトレードオフに対処するため、GMPEAでは、ワークフロー全体にわたって完全に並列化された分解ベースのマルチポピュレーションアプローチを導入している。
  論文  参考訳（メタデータ） (2025-09-24T07:06:14Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• 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)
• Explaining the role of Intrinsic Dimensionality in Adversarial Training [31.495803865226158]
  その結果,非多様体対向例(AEs)は強靭性を高め,一方,非多様体のAEsは一般化を向上させることがわかった。 SMAATは,最も内在次元の低い層を摂動させることにより,エンコーダモデルにおけるATのスケーラビリティを向上させる。 我々は、テキスト生成、感情分類、安全フィルタリング、検索強化生成設定など、複数のタスクにわたるSMAATを検証する。
  論文  参考訳（メタデータ） (2024-05-27T12:48:30Z)
• Flipping the switch on local exploration: Genetic Algorithms with Reversals [0.0]
  著者らは、勾配のない探索手法が離散領域における最適解を提供するのに適していることを示した。 また、複数のローカル検索を使用することで、ローカル検索のパフォーマンスが向上することを示した。 提案したGA変種は,提案した問題を含む全てのベンチマークにおいて,最小平均コストであり,ICが構成成分よりも優れた性能を発揮することが観察された。
  論文  参考訳（メタデータ） (2022-02-02T08:27:11Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。