論文の概要: LLM-Driven Joint Evolution of Coupled Heuristics Components for Routing Optimization
- arxiv url: http://arxiv.org/abs/2609.02353v1
- Date: Wed, 02 Sep 2026 09:25:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.215554
- Title: LLM-Driven Joint Evolution of Coupled Heuristics Components for Routing Optimization
- Title（参考訳）: ルーティング最適化のための結合型ヒューリスティックス部品のLLM駆動共同進化
- Abstract要約: 本稿では,共有設計図の下で相互依存コンポーネントを共同で生成・発展する集団基盤フレームワークを提案する。
合成インスタンスと41の公開ベンチマークを通じて、LLM-HCJGは一貫して低い最適性ギャップを達成している。
- 参考スコア（独自算出の注目度）: 6.642260387629958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heuristic design for combinatorial optimization remains heavily reliant on expert knowledge, while existing large language model (LLM)-enhanced evolutionary methods typically evolve isolated algorithmic components, even when one determines the search state on which another operates. This paper proposes LLM-driven Heuristic Components Joint Generation (LLM-HCJG), a population-based framework that jointly generates and co-evolves interdependent heuristic components under a shared design blueprint. Applied to guided local search (GLS), LLM-HCJG couples solution initialization with penalty construction and embeds the generated pair into an enhanced online search mechanism. The resulting form is further transferred from the traveling salesman problem (TSP) to the capacitated vehicle routing problem (CVRP). Theoretical analysis establishes the non-separable state-transition effects between the two components and the advantage in generation consistency. Across synthetic instances and 41 public TSPLIB/CVRPLIB benchmarks, LLM-HCJG attains consistently low optimality gaps, including best or tied-best results on 28 of 29 TSPLIB instances and all 12 CVRPLIB instances. Ablation and structural analyses further indicate that these gains are associated with cross-component compatibility and alignment rather than isolated-component recombination. These results support effective cross-instance transfer within the evaluated routing settings under limited-sample, modest-cost training.
- Abstract（参考訳）: 組合せ最適化のためのヒューリスティックな設計は、専門家の知識に大きく依存しているが、既存の大規模言語モデル(LLM)で拡張された進化的手法は、通常、他が動作している探索状態を決定する場合でも、孤立したアルゴリズム的コンポーネントを進化させる。
本稿では, LLM-driven Heuristic Components Joint Generation (LLM-HCJG)を提案する。
ガイド付きローカルサーチ(GLS)に適用すると、LLM-HCJGはペナルティ構築によるソリューション初期化を行い、生成されたペアを強化されたオンラインサーチメカニズムに埋め込む。
結果として得られた形式は、走行セールスマン問題(TSP)からキャパシタン化車両ルーティング問題(CVRP)へとさらに移行される。
理論的解析は、2つの成分間の非分離状態遷移効果と生成一貫性の優位性を確立する。
LLM-HCJGは、合成インスタンスと41の公開TSPLIB/CVRPLIBベンチマークを通じて、29のTSPLIBインスタンスと12のCVRPLIBインスタンスのうち28のベストまたはタイトベストの結果を含む、一貫して低い最適性ギャップを達成している。
アブレーションと構造解析は、これらの利得が孤立成分組換えよりもクロスコンポーネント互換性とアライメントと関連していることを示している。
これらの結果は、限定的、控えめなコストのトレーニングにおいて、評価されたルーティング設定内で効果的なクロスインスタンス転送をサポートする。
関連論文リスト
- Beyond Isolation: Unlocking Reinforcement Learning Component Synergy for Sample-Efficient Continuous Control [59.15149762610843]
強化学習システムは、他の機械学習パラダイムよりもはるかに複雑である。
個々のアルゴリズムコンポーネントの進歩にもかかわらず、それらの機能的相互依存性は未解明のままである。
モデルベース表現,最適化安定性,経験再現の3つの重要な次元を協調する RL フレームワーク ROSER を提案する。
論文 参考訳（メタデータ） (2026-08-07T10:38:31Z) - MuEvo: LLM-Driven Evolution of Multi-Heuristic Ensemble [16.72462798926915]
アンサンブルレベルのフィードバック下でのアンサンブルを進化させるLLM駆動型フレームワークであるMuEvoを提案する。
4つの最適化領域にまたがる選択ヒューリスティックスとコンポーネント化されたアリコロニー最適化について,MuEvoの評価を行った。
論文 参考訳（メタデータ） (2026-08-04T13:19:51Z) - 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) - 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) - Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。
提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。
本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-03T15:32:09Z) - ECCO: Evidence-Driven Causal Reasoning for Compiler Optimization [9.85275171877854]
検索で解釈可能な推論をブリッジするフレームワークであるECCOを紹介する。
本稿ではまず,Chain-of-Thoughtデータセットを構築するためのリバースエンジニアリング手法を提案する。
次に,大規模言語モデルがストラテジストとして機能する協調推論機構を設計する。
論文 参考訳（メタデータ） (2026-01-23T01:23:20Z) - Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents [90.45197506653341]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップ問題を解決するために、検索エンジンのような外部ツールに依存している。
サーチエージェントの軌道は構造的に不均一であり、サーチコールの数、配置、結果の変動は、根本的に異なる応答方向と報酬分布をもたらす。
1つのグローバルベースラインを使用する標準方針勾配法は、私たちが認識し、層間バイアスとして定式化するものに苦しむ。
本稿では,SAN (Stratified Advantage Normalization) の中心成分であるStratified GRPOを提案する。
論文 参考訳（メタデータ） (2025-10-07T17:59:13Z) - Joint Cooperative and Non-Cooperative Localization in WSNs with Distributed Scaled Proximal ADMM Algorithms [11.088311601906284]
協調的および非協調的局所化は、無線センサネットワークで同時に発生する。
協調型および非協調型局所化のための乗算器のスケールド近位方向法を開発した。
論文 参考訳（メタデータ） (2025-09-21T14:32:53Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - 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) - Federated Distributionally Robust Optimization for Phase Configuration
of RISs [106.4688072667105]
我々は、教師付き学習環境において、多種多様なRISタイプ上での堅牢な再構成可能なインテリジェントサーフェス(RIS)支援ダウンリンク通信の問題について検討する。
異種RIS設計上のダウンリンク通信を分散的に位相構成を最適化する方法を学ぶ異なる労働者としてモデル化することにより、分散学習問題を解決することができる。
提案アルゴリズムは, 競合するベースラインと比較して, 最悪の分布精度を実現するために, 通信ラウンドを少なくする必要がある。
論文 参考訳（メタデータ） (2021-08-20T07:07:45Z)
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。