論文の概要: AutoPSO: A Metaframework for Automated Particle Swarm Optimization

• arxiv url: http://arxiv.org/abs/2608.07539v2
• Date: Tue, 11 Aug 2026 03:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.556378
• Title: AutoPSO: A Metaframework for Automated Particle Swarm Optimization
• Title（参考訳）: AutoPSO: 自動粒子群最適化のためのメタフレームワーク
• Abstract要約: 粒子群最適化はメタヒューリスティックとして広く用いられており、その単純さと小さなパラメータセットで評価されている。 既存のアプローチの多くは問題固有で手作りであり、クロスタスクの一般化は不十分である。 我々は、カスタマイズされたPSOアルゴリズムを構築するための高度に自動化されたメタフレームであるAutoPSOを提案する。
• 参考スコア（独自算出の注目度）: 29.701425030709505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Particle swarm optimization (PSO) is a widely used metaheuristic, prized for its simplicity and small parameter set. Although decades of research have produced numerous PSO variants that improve performance by modifying key components (e.g., parameter schedules, swarm topologies, or updating rules), two fundamental challenges persist. First, most existing approaches are problem-specific and hand-crafted, leading to poor cross-task generalization and forcing practitioners to navigate an impractically large design space, which also hinders systematic reuse of prior effective mechanisms. Second, mainstream implementations remain CPU-bound, constraining scalability and substantially increasing computational cost in real-world applications. To address these challenges, we propose {AutoPSO}, a highly automated metaframework for constructing customized PSO algorithms. AutoPSO formulates PSO-based optimization as a bi-level process: an outer search explores the joint space of effective PSO components, while an inner loop instantiates candidate variants to solve the target task and provide feedback. The outer search operates over a curated, open-design component pool, supporting flexible replacement of the component set and the outer optimizer. Crucially, by leveraging EvoX for population tensorization and batched evaluations, AutoPSO can efficiently assess thousands of particles within practical time budgets. Comprehensive experiments on numerical benchmarks and neuroevolution robotic control tasks demonstrate that AutoPSO consistently discovers novel PSO variants that significantly outperform strong baselines. Ablation and scalability studies further highlight the contribution of individual algorithmic components and confirm that AutoPSO achieves increasing performance gains with larger swarm sizes. Code is available at {https://github.com/EMI-Group/autopso}.
• Abstract（参考訳）: パーティクルスウォーム最適化(PSO)は、その単純さと小さなパラメータセットによって評価される、広く使われているメタヒューリスティックである。 何十年にもわたって研究が、キーコンポーネント(パラメータスケジュール、スワムトポロジ、ルールの更新など)を変更することでパフォーマンスを向上させる多くのPSO変異を生み出してきたが、2つの根本的な課題が続いている。 まず、既存のほとんどのアプローチは問題固有で手作りであり、クロスタスクの一般化が貧弱になり、実践者が不規則に大きなデザイン空間をナビゲートせざるを得なくなり、事前の効果的なメカニズムの体系的な再利用を妨げる。 第二に、メインストリームの実装は依然としてCPUに依存しており、スケーラビリティを制限し、現実世界のアプリケーションでは計算コストを大幅に増加させています。 これらの課題に対処するために、カスタマイズされたPSOアルゴリズムを構築するための高度に自動化されたメタフレームである {AutoPSO} を提案する。 AutoPSOはPSOベースの最適化を2段階のプロセスとして定式化し、外部探索は有効なPSOコンポーネントの結合空間を探索し、内部ループは対象のタスクを解決しフィードバックを提供する。 外付けサーチは、キュレートされたオープンデザインコンポーネントプール上で動作し、コンポーネントセットと外部オプティマイザの柔軟な置換をサポートする。 重要なのは、人口のテンソル化とバッチ評価にEvoXを活用することで、AutoPSOは実用的な時間予算内で数千の粒子を効率的に評価することができる。 数値ベンチマークと神経進化ロボット制御タスクに関する総合的な実験は、AutoPSOが一貫して強力なベースラインを著しく上回る新しいPSO変異を発見していることを示している。 アブレーションとスケーラビリティの研究は、個々のアルゴリズムコンポーネントの貢献をさらに強調し、AutoPSOがより大きなSwarmサイズでパフォーマンス向上を達成することを確認している。 コードは、https://github.com/EMI-Group/autopso}で入手できる。

関連論文リスト

• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• A2DEPT: Large Language Model-Driven Automated Algorithm Design via Evolutionary Program Trees [8.49373236378493]
  大規模言語モデル(LLM)に基づく自動ヒューリスティックデザイン(AHD)は、人間の介入を最小限に抑えて、自律的にコンポーネントを生成することを約束している。 剛性テンプレートを超えたオープンエンドソルバを実現するために,A2DEPT(Automated Evolutionary Program Trees)を提案する。 A2DEPTは、ハイブリッド選択と階層演算子による木構造進化探索を通じて広大なプログラム空間を探索し、完全なアルゴリズムを反復的に洗練することができる。
  論文  参考訳（メタデータ） (2026-04-27T05:07:10Z)
• AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design [5.793027603299694]
  AutoMSは、進化的検索として逆設計を再構成する多エージェントのニューロシンボリックフレームワークである。 従来の進化戦略の「盲目」に対処する。 AutoMSは17種類のクロスフィジカルタスクにおいて、最先端の83.8%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-28T08:51:33Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• An End-to-End Deep Reinforcement Learning Approach for Solving the Traveling Salesman Problem with Drones [12.385878815004283]
  本研究では、ドローンによるトラベリングセールスマン問題(TSP-D)を解決するための階層的アクター・クリティカル深部強化学習フレームワークを提案する。 アーキテクチャは、Transformerにインスパイアされたエンコーダと、効率の良いMinimal Gated Unitデコーダの2つの主要な計算で構成されている。 フレームワーク全体が非同期のアドバンテージアクター-クリティカルパラダイム内で動作します。
  論文  参考訳（メタデータ） (2025-11-07T14:26:29Z)
• Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
  データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。 近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。 パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-10-31T03:46:42Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Efficient Real-time Path Planning with Self-evolving Particle Swarm Optimization in Dynamic Scenarios [6.951981832970596]
  操作形式(TOF)は、粒子の操作をテンソル操作に変換する。 自己進化型粒子群最適化(SEPSO)を開発した。 SEPSOはより優れたパスを生成でき、リアルタイムのパフォーマンスがかなり向上する。
  論文  参考訳（メタデータ） (2023-08-20T05:31:48Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• DHA: End-to-End Joint Optimization of Data Augmentation Policy, Hyper-parameter and Architecture [81.82173855071312]
  本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。 Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2021-09-13T08:12:50Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。