論文の概要: A Metaheuristic Optimization Framework for Discrete Optimization under Strict Time Limits
- arxiv url: http://arxiv.org/abs/2609.18702v1
- Date: Wed, 16 Sep 2026 14:11:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.833159
- Title: A Metaheuristic Optimization Framework for Discrete Optimization under Strict Time Limits
- Title（参考訳）: 厳密な時間制限下での離散最適化のためのメタヒューリスティック最適化フレームワーク
- Abstract要約: 本研究では,厳密な時間制限下での最適化に特化して設計されたMOFであるSTILOを紹介する。
様々な離散最適化問題の総合例とベンチマーク例を用いて実験を行った。
その結果,アルゴリズムファミリと演算子の有効性は問題の種類だけでなく,インスタンスの特性や利用可能な計算予算にも依存していることがわかった。
- 参考スコア（独自算出の注目度）: 1.3327130030147563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time applications often rely on optimization approaches that can find high-quality solutions to hard problems on the order of milliseconds. Metaheuristic optimization frameworks (MOFs) are useful tools for such tasks, as they provide large sets of general-purpose search mechanisms that can return solutions under different computational budgets. However, existing work largely overlooks the available computation time as an explicit dimension of analysis. In this work, we introduce STILO, a MOF specifically designed for optimization under strict time limits. STILO integrates fine-grained configuration spaces for ant colony optimization (ACO), genetic algorithm (GA), and simulated annealing (SA), combining existing and novel operators. We performed experiments using both synthetic and benchmark instances of various discrete optimization problems. The results indicate that the proposed discrete distance calculation mechanism for SA is useful for optimization under strict time limits. They also show that the relative effectiveness of the proposed problem-independent graph structures for ACO can vary across time limits, even for the same instance characteristics. More generally, the results demonstrate that the effectiveness of algorithm families and operators depends not only on the problem type, but also on the characteristics of the instance and the available computational budget.
- Abstract（参考訳）: リアルタイムアプリケーションは、ミリ秒のオーダーで問題に対する高品質な解決策を見つけることができる最適化アプローチに依存することが多い。
メタヒューリスティック最適化フレームワーク(MOF)は,様々な計算予算下で解を返却できる汎用検索機構のセットを提供するため,そのようなタスクに有用なツールである。
しかし、既存の研究は、利用可能な計算時間を分析の明示的な次元として見落としている。
本研究では,厳密な時間制限下での最適化に特化して設計されたMOFであるSTILOを紹介する。
STILOは、アリコロニー最適化(ACO)、遺伝的アルゴリズム(GA)、シミュレートされたアニール(SA)のためのきめ細かい構成空間を統合し、既存の演算子と新しい演算子を組み合わせる。
様々な離散最適化問題の総合例とベンチマーク例を用いて実験を行った。
その結果,SAの離散距離計算機構は厳密な時間制限下での最適化に有用であることが示唆された。
また、ACOに対する問題非依存グラフ構造の相対的有効性は、同じインスタンス特性であっても、時間的制限によって異なることを示した。
より一般的には、アルゴリズムファミリと演算子の有効性は問題の種類だけでなく、インスタンスの特性や利用可能な計算予算にも依存することを示した。
関連論文リスト
- Bridging Pattern-Aware Complexity with NP-Hard Optimization: A Unifying Framework and Empirical Study [0.0]
本稿では,ドメイン間の効率的な計算複雑性を低減するための新しいパターン認識フレームワークを提案する。
厳密な定義、定理、メタ学習駆動型ソルバパイプラインによって、パターン利用効率(PUE)のようなメトリクスを導入し、最大で79%のソリューション品質向上を実現します。
論文 参考訳（メタデータ） (2025-03-12T11:05:06Z) - Structured Regularization for Constrained Optimization on the SPD Manifold [1.1126342180866644]
対称ゲージ関数に基づく構造化正規化器のクラスを導入し、より高速な非制約手法でSPD多様体上の制約付き最適化を解けるようにする。
構造正規化器は望ましい構造(特に凸性や凸の差)を保存または誘導するために選択できることを示す。
論文 参考訳（メタデータ） (2024-10-12T22:11:22Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Optimal Design of Electric Machine with Efficient Handling of
Constraints and Surrogate Assistance [5.387300498478744]
本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。
提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
論文 参考訳（メタデータ） (2022-06-03T17:13:29Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
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。