論文の概要: HeurEvo: Agentic Evolution of Hybrid Solver-Augmented Heuristics for Time-Critical Mathematical Optimization

• arxiv url: http://arxiv.org/abs/2609.36303v1
• Date: Mon, 28 Sep 2026 21:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.031382
• Title: HeurEvo: Agentic Evolution of Hybrid Solver-Augmented Heuristics for Time-Critical Mathematical Optimization
• Title（参考訳）: HeurEvo: 時間臨界数最適化のためのハイブリッドソルバー拡張ヒューリスティックのエージェント進化
• Abstract要約: HeurEvoは自動プラン-コード-コンポーネント共進化フレームワークである。 高レベルのアルゴリズム構造、その実装、再利用可能なコンポーネントの共有プールを共同で進化させる。 HeurEvoは厳しいランタイム予算の中で高品質なソリューションを見つける。
• 参考スコア（独自算出の注目度）: 15.655251678922125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in agentic heuristic design use AI agents and execution feedback to automate algorithm discovery for challenging optimization problems. In many practical settings, high-quality solutions must be obtained under strict runtime constraints, motivating hybrid approaches that combine problem-specific heuristics with powerful mathematical programming solvers. However, existing approaches typically improve heuristic components within predefined procedures or tune solver configurations in isolation. This limits holistic adaptation of where to allocate computation, how to leverage solvers, and how to refine the overall algorithmic structure. To address these limitations, we propose HeurEvo, an automated plan--code--component co-evolution framework that jointly evolves the high-level algorithmic structures, their implementations, and a shared pool of reusable components. A planner determines which algorithmic components to use, how to combine them, and how to allocate runtime across stages, a coder realizes the resulting plan as executable code, while a component evolver updates the shared component pool. Within an island-based evolutionary framework, plans and implementations co-evolve with feedback from an interpreter agent that analyzes execution results and identifies opportunities for improvement. Across diverse combinatorial optimization benchmarks and challenging MIPLIB instances, HeurEvo finds high-quality solutions within tight runtime budgets, often matching or surpassing state-of-the-art optimization solvers given hours or days of computation. On several nonlinear geometry problems such as hexagon packing, it also improves upon the best previously reported results. These results highlight the value of jointly searching over algorithmic structure and implementation for agentic heuristic design.
• Abstract（参考訳）: エージェントヒューリスティック設計の最近の進歩は、AIエージェントと実行フィードバックを使ってアルゴリズム発見を自動化し、最適化問題に挑戦している。 多くの実践的な設定において、高品質な解は厳密な実行時制約の下で得られなければならず、問題固有のヒューリスティックと強力な数学的プログラミング解法を組み合わせるハイブリッドアプローチを動機付けなければならない。 しかし、既存のアプローチは、通常、事前に定義された手続きやチューンソルバ構成を分離してヒューリスティックなコンポーネントを改善する。 これにより、計算の割り当て場所、解法の活用方法、アルゴリズム構造全体を洗練する方法の全体的適応が制限される。 これらの制約に対処するために,ハイレベルなアルゴリズム構造,その実装,再利用可能なコンポーネントの共有プールを共同で進化させる,自動計画-コード-コンポーネント共進化フレームワークであるHeurEvoを提案する。 プランナーはどのアルゴリズムコンポーネントを使うか、どのように組み合わせるか、ランタイムをステージ毎に割り当てるかを判断し、プログラマは結果のプランを実行可能なコードとして認識し、コンポーネントの進化者は共有コンポーネントプールを更新する。 島ベースの進化的フレームワークの中では、インタプリタエージェントからのフィードバックで計画と実装が共同開発され、実行結果を分析し、改善の機会を特定する。 多様な組合せ最適化ベンチマークとMIPLIBインスタンスの挑戦により、HeurEvoは厳格なランタイム予算の中で高品質なソリューションを見つける。 六角形充填などの非線形幾何学的問題では、これまで報告された最良の結果も改善される。 これらの結果は,アルゴリズム構造とエージェントヒューリスティック設計の実装を共同で探索することの価値を強調した。

関連論文リスト

• AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
  本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-23T18:45:31Z)
• LLM Agents for Combinatorial Efficient Frontiers: Investment Portfolio Optimization [0.0]
  本研究では,カーディナリティ制約付き平均分散ポートフォリオ最適化問題に対する新しいエージェント・フレームワークを実装した。 ベンチマーク問題では、実装されたエージェントフレームワークは最先端のアルゴリズムと一致する。 複雑なアルゴリズム開発は軽減され、最悪の場合、低いが許容できるエラーが報告される。
  論文  参考訳（メタデータ） (2026-01-02T18:02:13Z)
• STRCMP: Integrating Graph Structural Priors with Language Models for Combinatorial Optimization [18.162186876640764]
  演算研究と理論計算機科学の中心となる組合せ最適化(CO)問題は、NPハードな性質のため、重要な計算課題を提示する。 本稿では,StRCMPを提案する。STRCMPは,構造先行を体系的に統合し,解の質と解解効率を向上する新しい構造対応アルゴリズム探索フレームワークである。 我々のフレームワークは、COインスタンスから構造埋め込みを抽出するグラフニューラルネットワーク(GNN)と、これらの埋め込みを条件としたLLMを組み合わせることで、ソルバ固有コードの形で高い性能のアルゴリズムを識別する。
  論文  参考訳（メタデータ） (2025-05-22T15:37:42Z)
• PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
  制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。 具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
  論文  参考訳（メタデータ） (2025-02-22T06:21:56Z)
• METAFOR: A Hybrid Metaheuristics Software Framework for Single-Objective Continuous Optimization Problems [0.1053373860696675]
  本稿では,メタヒューリスティクスを自動設計するアルゴリズム構成ツールと組み合わせて,メタヒューリスティクスを自動設計する,METAFORと呼ばれるモジュール型メタヒューリスティクスソフトウェアフレームワークを提案する。 我々は,17種類のメタヒューリスティックな実装を自動的に生成し,その性能を一連の連続最適化問題で評価する。
  論文  参考訳（メタデータ） (2025-02-16T18:24:44Z)
• 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)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• An Efficient Merge Search Matheuristic for Maximising the Net Present Value of Project Schedules [5.10800491975164]
  リソース制約のあるプロジェクトスケジューリングは多くの実用的なアプリケーションにおいて重要な最適化問題である。 本稿では,資源制約のあるプロジェクトスケジューリングを解くために,マージ探索と並列計算に基づく新しい数学ヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:30:23Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• Automatic Generation of Algorithms for Black-Box Robust Optimisation Problems [0.0]
  モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。 我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。 アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
  論文  参考訳（メタデータ） (2020-04-15T18:51:33Z)

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。