論文の概要: RefineEvo: Planning-Guided Heuristic Evolution with Bidirectional Experience
- arxiv url: http://arxiv.org/abs/2607.11358v1
- Date: Mon, 13 Jul 2026 10:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.428762
- Title: RefineEvo: Planning-Guided Heuristic Evolution with Bidirectional Experience
- Title（参考訳）: RefineEvo: 双方向体験による計画ガイド型ヒューリスティック進化
- Abstract要約: AHD(Automatic Heuristic Design)は最適化問題の解法である。
本稿では、AHDを計画的、経験駆動型システムに変換する新しい進化的枠組みであるRefineEvoを提案する。
- 参考スコア（独自算出の注目度）: 25.80220644131568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic Heuristic Design (AHD) has emerged as a transformative approach for solving combinatorial optimization problems. While recent Large Language Model (LLM)-based methods have shown promise, they predominantly rely on fixed evolutionary operators and struggle to effectively accumulate and reuse historical search experience. This paper proposes RefineEvo, a novel evolutionary framework that transforms AHD from a static trial-and-error process into a planning-guided, experience-driven system. RefineEvo introduces a Planner to dynamically schedule evolutionary operators and trigger refinement based on the current search state, and a Reflector to distill valuable lessons into a Bidirectional Experience Pool containing both positive insights and negative pitfalls. This synergistic framework enables the system to adapt its search tools to the evolving complexity of the problem and leverage trajectory-aware, situation-conditioned insights to guide generation. Experiments on several classic combinatorial optimization benchmarks demonstrate that RefineEvo consistently outperforms strong baselines. In particular, RefineEvo delivers superior solution quality while improving token efficiency, enabling more efficient and autonomous heuristic design.
- Abstract（参考訳）: 組合せ最適化問題の解法として自動ヒューリスティック設計(AHD)が登場している。
近年のLarge Language Model (LLM) に基づく手法は将来性を示しているが、それらは主に固定された進化的演算子に依存しており、歴史的検索体験を効果的に蓄積し再利用するのに苦労している。
本稿では,AHDを静的な試行錯誤プロセスから,計画駆動型,経験駆動型システムに変換する新しい進化的フレームワークであるRefineEvoを提案する。
RefineEvoでは、進化的オペレータを動的にスケジュールし、現在の検索状態に基づいて改善をトリガーするPlannerと、肯定的な洞察と否定的な落とし穴の両方を含む双方向体験プールに貴重なレッスンを蒸留するReflectorを導入している。
このシナジスティックなフレームワークにより、システムは、問題の進化する複雑さに検索ツールを適応させ、軌跡を意識した状況条件の洞察を活用して生成をガイドすることができる。
いくつかの古典的な組合せ最適化ベンチマークの実験は、RefineEvoが強いベースラインを一貫して上回ることを示した。
特にRefineEvoは、トークン効率を改善しながら優れたソリューション品質を提供し、より効率的で自律的なヒューリスティックな設計を可能にします。
関連論文リスト
- Self-Improving Large Language Models via Progressive Experience Evolution [52.03479747358687]
textbfSPEE(textbfSelf-textbfProgressive textbfExperience textbfEvolution)を提案する。
5つの数学的推論ベンチマークの実験は、SPEEが3つのモデルスケールでテスト時間とトレーニング時間の両方の自己進化ベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-08-03T12:27:32Z) - Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving [79.71689985927625]
自律運転のための適応型マルチモーダルリフレクションフレームワークであるIRR-Driveを提案する。
IRR-Driveは明らかにシーンの進化を予測し、モデルは厳密な自己修正と初期意図の洗練を可能にした。
提案手法はPDMSとNAVSIMSのベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-22T06:53:58Z) - EvoIR-Agent: Self-Evolving Image Restoration Agentic System via Experience-Driven Learning [39.60899845728349]
マルチモーダル大言語モデル(MLLM)による画像復元は,分解結合シナリオの有効性を示す。
トレーニングベースのメソッドは、固有の経験をパラメータに組み込んで、高い推論効率を実現するが、新しいツールや分解との互換性に欠ける。
EvoIR-Agentは、まず、トレーニング不要の画像復元エージェントの経験成分を体系的に定式化する。
論文 参考訳（メタデータ） (2026-05-21T09:14:25Z) - Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。
EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。
商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
論文 参考訳（メタデータ） (2026-03-09T05:13:44Z) - ReVEL: Multi-Turn Reflective LLM-Guided Heuristic Evolution via Structured Performance Feedback [0.0]
ReVEL: 構造化性能フィードバックによるマルチTurn反射型LLM-Huristic Evolutionを提案する。
ReVELの中核は、(i)パフォーマンスに目立ったグループ化と(ii)マルチターンフィードバック駆動リフレクションの2つのメカニズムにある。
本結果は,自動設計の原則的パラダイムとして,構造化グループを用いたマルチターン推論に注目した。
論文 参考訳（メタデータ） (2026-03-05T04:52:11Z) - Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。
実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2025-10-29T01:59:26Z) - 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) - EvolvingGrasp: Evolutionary Grasp Generation via Efficient Preference Alignment [42.41408547627677]
EvolvingGraspは、優先アライメントによる把握性能を継続的に向上する進化的グリップ生成法である。
EvolvingGraspは, シミュレーションと実シナリオの両方において, 進化的把握生成, 堅牢で, 物理的に実現可能で, 嗜好に整合した把握を可能にする。
論文 参考訳（メタデータ） (2025-03-18T15:01:47Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z)
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。