論文の概要: SPO: Discovering Adaptive Large Neighborhood Search Operators via Stackelberg Program Optimization

• arxiv url: http://arxiv.org/abs/2609.31179v1
• Date: Fri, 25 Sep 2026 12:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.374762
• Title: SPO: Discovering Adaptive Large Neighborhood Search Operators via Stackelberg Program Optimization
• Title（参考訳）: SPO:Stackelbergプログラム最適化による適応型大規模探索演算子発見
• Abstract要約: 適応可能な破壊修復プログラムを発見するための LLM ベースのフレームワークである Stackelberg Program Optimization (SPO) を紹介する。 SPOは、コンパクトなLSS状態の演算子決定を条件とし、プログラム発見を通じて状態依存の振る舞いを発生させる。 行動分析は、発見時の状態依存的操作者挙動と複合的な破壊・修復改善を示す。
• 参考スコア（独自算出の注目度）: 37.96481049421407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large neighborhood search (LNS) relies critically on destroy and repair operators, whose effectiveness depends on both adaptation to the evolving LNS state and interaction between the two roles. We introduce Stackelberg Program Optimization (SPO), an LLM-based framework for discovering adaptive executable destroy-repair programs. SPO conditions operator decisions on a compact LNS state, allowing state-dependent behavior to emerge through program discovery, and organizes destroy-repair discovery as a Stackelberg interaction over program space that reflects their asymmetric dependency. Role-specific credits evaluate destroy programs as leaders and repair programs as conditional follower responses, guiding a coupled optimization process that combines LLM generator learning with population-based evolutionary search over programs. Experiments on the traveling salesperson problem and capacitated vehicle routing problem show that SPO outperforms strong baselines across a broad range of settings and generalizes beyond the discovery scale to larger instances and benchmark sets. Behavioral analyses further demonstrate state-dependent operator behavior and coupled destroy-repair improvement during discovery.
• Abstract（参考訳）: 大規模近傍探索 (LNS) は破壊と修復に大きく依存しており、その効果は進化するLNS状態への適応と2つの役割間の相互作用の両方に依存する。 適応可能な破壊修復プログラムを発見するための LLM ベースのフレームワークである Stackelberg Program Optimization (SPO) を紹介する。 SPOは、コンパクトなLSS状態における演算子決定を条件とし、プログラム発見を通じて状態依存の振る舞いを発生させ、非対称な依存関係を反映したプログラム空間上のスタックルバーグ相互作用として破壊・修復発見を組織する。 役割固有のクレジットは、破壊プログラムをリーダーとして評価し、修復プログラムを条件付き追従者応答として評価し、LLMジェネレータ学習と人口ベースの進化的プログラムを組み合わせた最適化プロセスを導く。 走行中のセールスパーソン問題とキャパシタン化された車両ルーティング問題の実験により、SPOは幅広い設定で強いベースラインを上回り、発見スケールを超えてより大きなインスタンスやベンチマークセットに一般化することを示した。 行動分析は、発見時の状態依存的操作者挙動と複合的な破壊・修復改善を示す。

関連論文リスト

• ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
  ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。 Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。 ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
  論文  参考訳（メタデータ） (2026-09-01T10:54:13Z)
• ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents [52.531681772560724]
  Supervised Fine-tuning (SFT) は主に軌道軌道上で構築されており、ツール故障後の回復のための信号はほとんど得られない。 ツール使用エージェントの反射誘導補正を学習するフレームワークであるReGRPOを紹介する。 GTAとGAIAの実験では、同じバックボーンとツールスイートの下で、ReGRPOは一貫して強力なオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-30T09:19:38Z)
• Large Language Model-Driven Cooperative Operator Ensemble Evolution for Permutation Flow Shop Scheduling [10.238655892058295]
  本研究は、IG-DOEと呼ばれるマルチトリガーIGアルゴリズムを提案し、単一の探索軌道に沿って異種破壊演算子を切り替えることにより探索を強化する。 挑戦的なVRF-hard-largeベンチマークの実験によると、DOEは小さな問題インスタンスから大きな未確認インスタンスへと進化した。 実世界の産業データ由来のインスタンスに関するさらなる実験は、進化したDOEが、追加の適応なしに、異なるデータに効果的に一般化できることをさらに示している。
  論文  参考訳（メタデータ） (2026-06-13T14:53:19Z)
• Harnessing LLM Agents with Skill Programs [58.356514745548026]
  HASPは、実行可能なプログラム関数(PF)にスキルをアップグレードする新しいフレームワークです。 PFは障害が発生しやすい状態を起動し、次のアクションを変更したり、修正コンテキストを注入する実行可能なガードレールとして機能する。 HASPは、Web検索、数学推論、コーディングタスクにおいて、トレーニング不要とトレーニングベースの両方の手法と比較して、大幅に向上している。
  論文  参考訳（メタデータ） (2026-05-18T01:35:11Z)
• G-LNS: Generative Large Neighborhood Search for LLM-Based Automatic Heuristic Design [7.681872137995253]
  本稿では,Large Neighborhood Search(LNS)演算子を拡張した生成的進化的フレームワークを提案する。 G-LNSはLarge Language Models (LLMs)を活用して、密結合した破壊と修復のオペレータを共同開発する。 実験により、G-LNSは強力な古典解法と同様にLLMベースのAHD法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T04:13:35Z)
• PRISMA: Reinforcement Learning Guided Two-Stage Policy Optimization in Multi-Agent Architecture for Open-Domain Multi-Hop Question Answering [26.994531058178982]
  大規模コーパスに対する現実世界のオープンドメイン問題への回答は、レトリーバル・拡張ジェネレーション(RAG)システムにおいて重要な課題である。 近年の研究では、検索強化推論プロセスのエンドツーエンド最適化に強化学習(RL)を採用している。 PRISMAはPlan-Retrieve-Inspect-Memoizeアーキテクチャを特徴とする分離誘導型フレームワークである。
  論文  参考訳（メタデータ） (2026-01-09T01:38:38Z)
• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)

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。