論文の概要: QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design

• arxiv url: http://arxiv.org/abs/2607.11916v1
• Date: Mon, 06 Jul 2026 07:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.880241
• Title: QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design
• Title（参考訳）: QDEvo: 自動ヒューリスティック設計のための多目的品質多様性フレームワーク
• Abstract要約: 品質多様性最適化とLLM駆動探索を統合した多目的フレームワークを提案する。 QDEvoはHypervolumeとIn Generational Distanceの両方で最先端の手法を大幅に上回ることを示す。 我々のフレームワークは、高いパフォーマンス、計算効率、セマンティックに多様であるメトリクスの発見を可能にする。
• 参考スコア（独自算出の注目度）: 2.942531574809674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Large Language Models (LLMs) with evolutionary computation has emerged as a powerful paradigm for automated heuristic design in combinatorial optimization. However, existing approaches suffer from mode collapse, converging to homogeneous populations that lack semantic diversity and fail to explore the full algorithmic space. We propose Quality-Diversity Evolution (QDEvo), a multi-objective framework that integrates Quality-Diversity optimization with LLM-driven heuristic search, maintaining an unbounded archive of semantically diverse algorithms using pre-trained code embeddings and incorporating hierarchical self-reflection to guide the evolutionary process. Extensive experiments across standard benchmarks and real-world industrial applications demonstrate that QDEvo significantly outperforms state-of-the-art methods in both Hypervolume and Inverted Generational Distance metrics. Our framework enables the discovery of heuristics that are simultaneously high-performing, computationally efficient, and semantically diverse, providing practitioners with a rich portfolio of solutions for complex optimization problems.
• Abstract（参考訳）: 大規模言語モデル(LLM)と進化計算の統合は、組合せ最適化における自動ヒューリスティック設計の強力なパラダイムとして登場した。 しかし、既存のアプローチはモード崩壊に悩まされ、意味的な多様性に欠け、完全なアルゴリズム空間の探索に失敗する同質な集団に収束する。 本研究では,LLMによるヒューリスティック検索と品質多様性最適化を統合した多目的フレームワークである品質多様性進化(QDEvo)を提案する。 標準ベンチマークと実世界の産業アプリケーションによる大規模な実験により、QDEvoはHypervolumeとInverted Generational Distanceの両方で最先端の手法を大幅に上回っていることが示されている。 我々のフレームワークは、高い性能、計算効率、セマンティックに多様なヒューリスティックな発見を可能にし、複雑な最適化問題に対する豊富なソリューションのポートフォリオを実践者に提供する。

関連論文リスト

• 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)
• CDEoH: Category-Driven Automatic Algorithm Design With Large Language Models [18.725552141930542]
  大規模言語モデル(CDEoH)を用いたカテゴリー駆動型自動アルゴリズム設計 大規模言語モデル(CDEoH)を用いたカテゴリー駆動型自動アルゴリズム設計を提案する。 CDEoHは, 一つの進化方向への収束を効果的に緩和し, 進化安定性を著しく向上し, タスクやスケールにおける平均性能を一貫して向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-08T06:20:05Z)
• 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)
• 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)
• REMoH: A Reflective Evolution of Multi-objective Heuristics approach via Large Language Models [39.85828629779943]
  多目的最適化は、複雑な意思決定タスクにおいて基礎となる。 大規模言語モデル(LLM)の最近の進歩は、説明可能性、適応性、推論の強化を提供する。 本研究では,NSGA-II と LLM を融合した新たなフレームワークである REMoH (Reflectionive Evolution of Multi-Objective Heuristics) を提案する。
  論文  参考訳（メタデータ） (2025-06-09T13:38:28Z)
• CALM: Co-evolution of Algorithms and Language Model for Automatic Heuristic Design [11.639825726501659]
  大規模言語モデル(LLM)は、従来のコストのごく一部で自律的にハイパフォーマンスを発見できる。 本稿では,言語指導と数値指導を組み合わせたハイブリッドフレームワークを提案する。 本手法は,様々な最適化タスクにおいて,SOTA(State-of-the-art)ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-18T07:48:47Z)
• Vector Quantized-Elites: Unsupervised and Problem-Agnostic Quality-Diversity Optimization [0.0]
  本稿では,構造化された行動空間グリッドを自律的に構築する新しい品質多様性アルゴリズムであるベクトル量子エリート(VQ-Elites)を紹介する。 VQ-Elitesのコアとなるのは、ベクトル量子化変分自動エンコーダの統合で、振る舞い記述子の動的学習を可能にする。 ロボットアームのポーズ取得,移動ロボットの空間探索,ミニグリッド探索におけるVQ-Elitesの有効性を検証した。
  論文  参考訳（メタデータ） (2025-04-10T18:23:19Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Multi-objective Evolution of Heuristic Using Large Language Model [29.337470185034555]
  探索を多目的最適化問題としてモデル化し、最適性能を超える追加の実践的基準を導入することを検討する。 我々は,最初の多目的探索フレームワークである多目的ヒューリスティック進化(MEoH)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T12:32:41Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。