論文の概要: DCL-GPGLS: Dynamic Curriculum Learning for Genetic Programming Guided Local Search in Large-Scale Vehicle Routing
- arxiv url: http://arxiv.org/abs/2609.24105v1
- Date: Mon, 21 Sep 2026 04:45:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 15:55:49.192077
- Title: DCL-GPGLS: Dynamic Curriculum Learning for Genetic Programming Guided Local Search in Large-Scale Vehicle Routing
- Title（参考訳）: DCL-GPGLS:大規模車両ルーティングにおける遺伝的プログラミング指導型局所探索のための動的カリキュラム学習
- Abstract要約: 遺伝的プログラミングガイドローカルサーチ(GPGLS)は、遺伝的プログラミングを用いて、ガイド付きローカルサーチのためのユーティリティ関数を進化させる。
ACL-GPGLSは、一定のカリキュラム段階の間を探索する際に適応することで、トレーニング効率を向上させる。
本稿では,DCL-GPGLSを提案する。DCL-GPGLSは,現在の人口のソリューション品質から各トレーニングインスタンスの難易度を推定し,進化過程の見積を更新する。
- 参考スコア（独自算出の注目度）: 3.6747239734253703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Genetic Programming Guided Local Search (GPGLS) uses genetic programming to evolve utility functions for guided local search in large-scale vehicle routing problems (LSVRPs). Evaluating every GP individual on every training instance at every generation is expensive, so GPGLS is usually trained on small instance batches. Existing curriculum-based GPGLS orders these batches mainly by instance size. Adaptive Curriculum Learning GPGLS (ACL-GPGLS) improves training efficiency by adapting when the search moves between fixed curriculum stages, but the instance difficulty order remains predefined. We propose DCL-GPGLS, which estimates the difficulty of each training instance from the current population's solution quality and updates the estimates during evolution. Each generation then receives a batch near a scheduled difficulty level, with a correction that limits repeated selection of the same instances. Experiments on a fixed training-test split of the CVRPLIB X set show that DCL-GPGLS achieves the best observed average rank and mean test cost among six training policies. It obtains the lowest mean cost on 36 of 65 unseen test instances and is significantly better than the static feedback-derived curriculum, matched in total evaluator calls, on 6 instances, with no significant difference on the remaining 59.
- Abstract（参考訳）: 遺伝的プログラミングガイドローカルサーチ (GPGLS) は遺伝的プログラミングを用いて大規模車両ルーティング問題 (LSVRP) における誘導ローカルサーチのためのユーティリティ関数を進化させる。
各世代毎のトレーニングインスタンスですべてのGP個人を評価するのはコストがかかるため、GPGLSは通常、小さなインスタンスバッチでトレーニングされる。
既存のカリキュラムベースのGPGLSは、主にインスタンスサイズによってこれらのバッチを注文する。
Adaptive Curriculum Learning GPGLS (ACL-GPGLS) は、一定のカリキュラム段階間を探索する際に適応することで、トレーニング効率を向上させるが、インスタンスの難易度は未定義のままである。
本稿では,DCL-GPGLSを提案する。DCL-GPGLSは,現在の人口のソリューション品質から,各トレーニングインスタンスの難易度を推定し,進化過程の見積を更新する。
各世代はスケジュールされた難易度付近でバッチを受け取り、同じインスタンスの繰り返しの選択を制限する補正を行う。
CVRPLIB Xセットの固定トレーニング-テスト分割実験により、DCL-GPGLSは6つのトレーニングポリシーの中で最も観測された平均ランクと平均テストコストを達成することが示された。
65の未確認テストインスタンス中36の最低平均コストを取得し,6のインスタンスで評価対象コールと一致した静的フィードバックによるカリキュラムよりも有意によいが,残りの59では有意差は認められなかった。
関連論文リスト
- Genetic Programming with Behaviour-based Niching for Learning Guided Local Search in Vehicle Routing Problems [3.6747239734253703]
ビヘイビアベースのNiching (BN-GPGLS)は、ローカル検索中に収集された6つのオペレータレベルの記述子を通してプログラムを特徴付ける。
BN-GPGLSはGPGLS制御よりも最終個体数中央値が低く、Holm調整後のWilcoxon比較は有意である。
論文 参考訳（メタデータ） (2026-09-21T04:44:49Z) - REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。
我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
論文 参考訳（メタデータ） (2026-06-17T10:37:23Z) - Investigation of the Generalisation Ability of Genetic Programming-evolved Scheduling Rules in Dynamic Flexible Job Shop Scheduling [6.232706691552085]
遺伝的プログラミング(GP)はDFJSSのスケジューリングルールを自動的に進化させるために広く応用されている。
本稿では,多様なDFJSS条件下でのGP進化型スケジューリング規則の一般化能力について系統的に検討する。
論文 参考訳（メタデータ） (2026-01-22T07:38:27Z) - Test-Time Graph Search for Goal-Conditioned Reinforcement Learning [56.13800388912632]
オフライン目標条件強化学習(GCRL)は、テスト時にユーザが指定した目標に到達するポリシーを訓練する。
GCRLタスクを解決するための軽量な計画手法であるTTGS(Test-Time Graph Search)を導入する。
TTGSは任意の状態空間距離やコスト信号を受け入れ、データセット状態の上に重み付きグラフを構築し、凍結ポリシーが実行する一連のサブゴールを高速に検索する。
論文 参考訳（メタデータ） (2025-10-08T17:20:53Z) - Curriculum Learning in Genetic Programming Guided Local Search for Large-scale Vehicle Routing Problems [2.954908748487635]
本稿では,カリキュラム学習(CL)をGPGLSに統合する新しい手法であるCL-GPGLSを提案する。
我々のアプローチは、事前定義されたカリキュラムを活用して、より単純なタスクから始まり、徐々に複雑さを増し、大規模なVRP(LSVRP)に適応し、最適化できるようにトレーニングインスタンスを段階的に導入する。
CL-GPGLSの有効性を検証し、3つのベースライン法に対して大幅な性能向上を示した。
論文 参考訳（メタデータ） (2025-05-17T06:10:09Z) - Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。
テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-11T23:02:26Z) - Local Search, Semantics, and Genetic Programming: a Global Analysis [7.486818142115522]
Geometric Semantic Geometric Programming (GSGP) は、遺伝的プログラミング(GP)の変種の一つである。
本稿では GSM-LS と GSGP-reg のオーバーフィッティングを制限する複数の可能性を探る。
その結果、トレーニングデータと見当たらないデータの両方において、標準GSGPを一貫して上回る結果が得られた。
論文 参考訳（メタデータ） (2023-05-26T14:13:03Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳（メタデータ） (2023-04-08T14:32:12Z) - Data Curation Alone Can Stabilize In-context Learning [20.874674130060388]
In-context Learning (ICL) は、大規模な言語モデルに対して、一連のトレーニング例でそれらを促すことで、新しいタスクを実行することを可能にする。
トレーニングセットからランダムにサンプルをサンプリングすると、パフォーマンスのばらつきが高くなります。
トレーニングデータのサブセットを慎重にキュレートすることは、ICLアルゴリズムに他の変更を加えることなく、ICLのパフォーマンスを大幅に安定化させることを示す。
論文 参考訳（メタデータ） (2022-12-20T15:58:54Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。
本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。
特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2020-12-03T02:07:43Z)
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。