論文の概要: Machine Learning-Enhanced Tabu Search for Tactical Wireless Network Design

• arxiv url: http://arxiv.org/abs/2608.28627v1
• Date: Fri, 31 Jul 2026 15:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-06 19:38:41.448153
• Title: Machine Learning-Enhanced Tabu Search for Tactical Wireless Network Design
• Title（参考訳）: 戦術的無線ネットワーク設計のための機械学習によるタブ検索
• Abstract要約: 本稿では,その移動選択過程を学習することで,タブ検索の効率を向上させるデータ駆動型フレームワークを提案する。 我々は、一連の記述的特徴とともに、エッジベースの変換の改善と非改善の両方を記録します。 この情報は、対象関数に対する候補移動の影響を予測するグラフニューラルネットワーク(GNN)のトレーニングに使用される。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Designing high-performance tactical wireless networks under realistic operational constraints gives rise to challenging combinatorial optimization problems, where the evaluation of candidate solutions relies on detailed physical and traffic-aware models. Although classical metaheuristics such as Tabu Search offer effective mechanisms for exploring large search spaces, their computational cost remains high because numerous candidate moves must be evaluated at every iteration. In this paper, we propose a data-driven framework that improves the efficiency of Tabu Search by learning to guide its move selection process. Rather than altering the neighborhood structure, our approach exploits the information contained in the search trajectories generated during the optimization process. At each iteration, we record both improving and non-improving edge-based transformations together with a set of descriptive features capturing the structural, geometric, and performance characteristics of the network. This information is used to train a Graph Neural Network (GNN) that predicts the impact of candidate moves on the objective function. The trained model is then integrated into the Tabu Search algorithm to rank candidate transformations according to their predicted quality, thereby reducing the number of costly objective evaluations while maintaining an effective exploration of the search space. Experimental results on synthetic benchmark instances demonstrate that the proposed learning-assisted Tabu Search notably reduces computation time while consistently producing higher-quality solutions than the standard algorithm. These findings highlight the potential of combining machine learning with metaheuristics by leveraging the implicit knowledge embedded in search trajectories, paving the way for more efficient solution methods for large-scale network design problems.
• Abstract（参考訳）: 現実的な運用制約下での高性能な戦術的無線ネットワークの設計は,提案手法の評価が詳細な物理・交通対応モデルに依存するような,組合せ最適化の問題を引き起こす。 Tabu Searchのような古典的メタヒューリスティクスは、大規模な検索空間を探索するための効果的なメカニズムを提供するが、その計算コストは、繰り返し毎に多くの候補の動きを評価する必要があるため、高いままである。 本稿では,その移動選択過程を学習することで,タブ検索の効率を向上させるデータ駆動型フレームワークを提案する。 提案手法は, 近傍構造を変更するのではなく, 最適化プロセス中に生成された探索軌跡に含まれる情報を利用する。 各イテレーションにおいて、ネットワークの構造的、幾何学的、および性能特性をキャプチャする記述的特徴セットとともに、エッジベースの変換の改善と非改善の両方を記録する。 この情報は、対象関数に対する候補移動の影響を予測するグラフニューラルネットワーク(GNN)のトレーニングに使用される。 そして、トレーニングされたモデルをタブ検索アルゴリズムに統合し、予測された品質に応じて候補変換をランク付けし、探索空間の効率的な探索を維持しつつ、コストのかかる客観的評価の回数を減らす。 合成ベンチマークによる実験結果から,提案した学習支援タブサーチは,標準アルゴリズムよりも高品質な解を一貫して生成しながら,計算時間を著しく短縮することが示された。 これらの知見は,探索軌道に埋め込まれた暗黙の知識を活用することで,機械学習とメタヒューリスティックスを組み合わせる可能性を強調し,大規模ネットワーク設計問題に対するより効率的な解法を提案する。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
  本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。 カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。 提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
  論文  参考訳（メタデータ） (2024-02-13T06:39:15Z)
• Sensitivity-Aware Mixed-Precision Quantization and Width Optimization of Deep Neural Networks Through Cluster-Based Tree-Structured Parzen Estimation [4.748931281307333]
  本稿では,個々のニューラルネットワーク層に対して最適なビット幅と層幅を自動的に選択する革新的な探索機構を提案する。 これにより、ディープニューラルネットワークの効率が著しく向上する。
  論文  参考訳（メタデータ） (2023-08-12T00:16:51Z)
• Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
  大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-07T15:03:42Z)
• Batch Active Learning from the Perspective of Sparse Approximation [12.51958241746014]
  アクティブな学習は、機械学習エージェントと人間のアノテーションとのインタラクションを活用することで、効率的なモデルトレーニングを可能にする。 スパース近似の観点からバッチアクティブラーニングを定式化する新しいフレームワークを提案し,提案する。 我々のアクティブラーニング手法は、ラベルのないデータプールから、対応するトレーニング損失関数が、そのフルデータプールに近似するように、情報的サブセットを見つけることを目的としている。
  論文  参考訳（メタデータ） (2022-11-01T03:20:28Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
  我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。 特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
  論文  参考訳（メタデータ） (2022-03-15T19:21:31Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。