論文の概要: Just Initialize: A Training-Free Initialization Component for Large-Scale Routing Optimization
- arxiv url: http://arxiv.org/abs/2609.35443v2
- Date: Tue, 29 Sep 2026 14:04:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.817345
- Title: Just Initialize: A Training-Free Initialization Component for Large-Scale Routing Optimization
- Title（参考訳）: Just Initialize: 大規模ルーティング最適化のためのトレーニング不要初期化コンポーネント
- Abstract要約: そこで我々は,大規模ルーティング最適化のためのトレーニング不要かつ解決不能なコンポーネントであるJustを提案する。
巨大なルーティングをコンパクトなサロゲート空間に圧縮し、グローバルなルーティング構造を最適化し、結果のソリューションを復元する。
単に最先端の手法に匹敵する、あるいは優れた高品質のソリューションを実現するだけだ。
- 参考スコア（独自算出の注目度）: 8.172782321795614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale routing problems are difficult to solve efficiently as their search spaces grow rapidly with problem size. Existing approaches primarily improve the optimization procedure itself, often at increasing computational cost. We instead shift the focus to a useful initialization that can be refined into a high-quality solution with limited downstream refinement. We propose Just Initialize, a training-free and solver-agnostic initialization component for large-scale routing optimization. Just Initialize compresses a large routing instance into a compact surrogate space, optimizes its global routing structure, and recovers the resulting solution as an optimization-friendly starting point in the original space. Extensive experiments on Traveling Salesman Problems (TSPs), Capacitated Vehicle Routing Problems (CVRPs), Vehicle Routing Problems with Time Windows (VRPTWs), and Prize-Collecting Traveling Salesman Problems (PCTSPs) demonstrate that Just Initialize achieves high-quality solutions comparable to or better than state-of-the-art methods while substantially reducing computational cost across instances ranging from 1K to 100K nodes, including an average speedup of approximately 70$\times$, sub-second runtimes on 10K-node instances, and runtimes within tens of seconds on 100K-node instances.
- Abstract（参考訳）: 大規模ルーティング問題は,探索空間が問題の大きさに応じて急速に大きくなるため,効率的に解決することは困難である。
既存のアプローチは主に最適化手順自体を改善し、しばしば計算コストを増大させる。
代わりに、ダウンストリームの洗練が制限された高品質なソリューションに洗練できる有用な初期化に焦点を移します。
そこで我々は,大規模ルーティング最適化のためのトレーニング不要かつ解決不能な初期化コンポーネントJust Initializeを提案する。
Just Initializeは、大きなルーティングインスタンスをコンパクトなサロゲート空間に圧縮し、そのグローバルなルーティング構造を最適化し、元の空間の最適化フレンドリな出発点として結果のソリューションを回復する。
トラベリング・セールスマン問題(TSP)、キャパシタレート・ビークル・ルーティング問題(CVRP)、時空Windows(VRPTW)による車両ルーティング問題(PCTSP)に関する広範な実験は、Just Initializeが、最先端の手法に匹敵する高品質なソリューションを達成する一方で、1Kから100Kノードにわたるインスタンスの計算コストを大幅に削減し、平均速度は70$\times$、100Kノードインスタンス上のサブ秒ランタイム、100Kノードインスタンス上のランタイムが数十秒以内であることを示した。
関連論文リスト
- Smart routes: a system for development and comparison of algorithms for solving vehicle routing problems with realistic constraints [39.146761527401424]
時間Windows(CVRPTW)を用いた容量化車両ルーティング問題について検討する。
LKH, 2-OPT, 3-OPT, ORToolsフレームワーク, 深層学習モデルJAMPRなどのアルゴリズムと比較した。
以上の結果から,50のDeep Learningと古典的解がSCIPに近くなったが,時間を要することがわかった。
論文 参考訳（メタデータ） (2026-08-14T09:46:15Z) - Efficient Trajectory Optimization for Autonomous Racing via Formula-1 Data-Driven Initialization [7.069718718698565]
軌道最適化は高速で効率的な自律レースの中心的なコンポーネントである。
本稿では,実世界のF1テレメトリに基づく学習インフォームド戦略を提案する。
論文 参考訳（メタデータ） (2026-03-07T09:33:38Z) - Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
勾配学習における設計の自動化に関する理論的基礎を築いた。
勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
論文 参考訳（メタデータ） (2025-12-06T09:50:41Z) - Graph-Coarsening Approach for the Capacitated Vehicle Routing Problem with Time Windows [0.0]
本稿では,顧客をメタノードに集約するマルチレベルグラフ粗化・改善フレームワークを提案する。
提案手法は,特にキャパシティや時間窓の制約に関して,解の質を保ったり改善したりしながら,計算量を削減する。
また、量子インスパイアされた最適化手法の統合についても検討し、大規模な車両ルーティングタスクをさらに加速させる可能性を強調した。
論文 参考訳（メタデータ） (2025-10-25T15:13:41Z) - Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。
本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。
このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-04-08T15:21:01Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Enhancing Column Generation by Reinforcement Learning-Based
Hyper-Heuristic for Vehicle Routing and Scheduling Problems [9.203492057735074]
カラム生成(CG)は変数を動的に生成することで大規模問題を解決する重要な手法である。
CGの性能を高めるために,RLHHと呼ばれる強化学習に基づく超ヒューリスティックフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-15T00:05:50Z) - Learning to repeatedly solve routing problems [5.08128537391027]
データのマイナーチェンジ後に問題の再最適化について学習した。
元のソリューションのエッジを考慮すれば、最適なソリューションに留まる確率の高いソリューションを予測し、修正することが目標です。
この解の偏差予測は問題の複雑さを減らし、解を高速化する。
論文 参考訳（メタデータ） (2022-12-15T19:33:54Z) - Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。
提案手法は,特にショットや微調整の設定において有効であることを示す。
論文 参考訳（メタデータ） (2021-05-02T07:33:16Z)
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。