論文の概要: Evolutionary Giant Tour for CVRP using NSE and ML Heuristic]{Evolutionary Giant Tour approach for CVRP using Node Shift Encoding and Machine Learning repair heuristic

• arxiv url: http://arxiv.org/abs/2610.03816v1
• Date: Thu, 01 Oct 2026 19:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 05:04:19.216823
• Title: Evolutionary Giant Tour for CVRP using NSE and ML Heuristic]{Evolutionary Giant Tour approach for CVRP using Node Shift Encoding and Machine Learning repair heuristic
• Title（参考訳）: NSEとMLヒューリスティックを用いたCVRPの進化的ジャイアントツアー]ノードシフト符号化と機械学習修復ヒューリスティックを用いたCVRPの進化的ジャイアントツアーアプローチ
• Abstract要約: 本稿では,経路構築から進化過程を分離するシーケンシャルな枠組みを提案する。 また,非拘束線形分割後の艦隊実現性を回復する教師なしの機械学習性能修復を提案する。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Capacitated Vehicle Routing Problem (CVRP) remains a central concern in logistics research, as route optimisation under rigid capacity and fleet restrictions directly affects operational performance. Genetic Algorithms are widely used for this problem, yet their effectiveness depends heavily on the choice of solution encoding and on the mechanisms used to preserve feasibility during the search. This paper proposes a sequential framework that separates the evolutionary process from route construction. We adapt Node Shift Encoding (NSE) to the CVRP giant-tour setting and benchmark it against Path Representation and Double Chromosome. We further propose an unsupervised machine-learning repair heuristic that restores fleet feasibility after an unconstrained linear split, and compare this pipeline against fleet-constrained split taken from the literature. Computational tests on standard benchmark instances show that NSE consistently outperforms the other encodings in solution quality and feasibility. The repair heuristic restores feasibility in approximately 72\% of cases, and the Linear-Split-ML-Heuristic pipeline proves more robust than the constrained split, delivering lower costs and higher feasibility rates.
• Abstract（参考訳）: CVRP(Capacitated Vehicle Routing Problem)は、ロジスティクス研究の中心的な関心事であり、厳格な能力と艦隊制限の下でのルート最適化は、直接運用性能に影響を与える。 遺伝的アルゴリズムはこの問題に広く用いられているが、その有効性は解の符号化の選択と探索時の実現可能性を維持するメカニズムに大きく依存している。 本稿では,経路構築から進化過程を分離するシーケンシャルな枠組みを提案する。 我々は、Node Shift Encoding(NSE)をCVRPのジャイアントツーリング設定に適用し、Path RepresentationとDouble Chromosomeに対してベンチマークする。 さらに、非拘束線形分割後の艦隊実現性を回復する教師なしの機械学習修復ヒューリスティックを提案し、本パイプラインを文献から抽出した艦隊拘束分割と比較する。 標準的なベンチマークインスタンスの計算テストでは、NSEはソリューションの品質と実現可能性において、他のエンコーディングよりも一貫して優れています。 修復ヒューリスティックは、約72%のケースで実現可能性を回復し、線形スプリット-ML-ヒューリスティックパイプラインは、制約されたスプリットよりも堅牢であり、コストを低減し、実現率を高める。

関連論文リスト

• RouteRepair: Instance-Level Failure Diagnosis and Targeted Repair in LLM-Based Automated Heuristic Design for Routing Optimization [41.634732070837906]
  本研究は,実例レベルのパフォーマンスから親固有の弱点を診断し,対応するコンポーネントにターゲット変更を適用したRouteRepairを開発する。 移動セールスマン問題 (TSP) とキャパシタンドカールーティング問題 (CVRP) は, 構成探索, ガイド付き局所探索, アリコロニー最適化にまたがる。 その結果、障害に気付き、エビデンスに制約のある改善は、既に解決済みのケースのパフォーマンスを維持しながら、困難なインスタンスのルーティングを改善することができることがわかった。
  論文  参考訳（メタデータ） (2026-09-10T12:21:18Z)
• 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)
• Qubit-Scalable CVRP via Lagrangian Knapsack Decomposition and Noise-Aware Quantum Execution [3.652509571098291]
  本稿では、OR分解、学習強化二重制御、適応ハードウェア対応実行によるハイブリッド量子CVRP最適化のエンドツーエンドフレームワークを提案する。 我々は量子アドバンテージを主張しない。代わりに、OR分解、学習強化二重制御、適応ハードウェア対応実行を通じてハイブリッド量子CVRP最適化をスケールするための実用的なエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2026-04-24T03:46:25Z)
• Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
  強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。 統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入 検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
  論文  参考訳（メタデータ） (2026-04-08T00:53:29Z)
• CoTJudger: A Graph-Driven Framework for Automatic Evaluation of Chain-of-Thought Efficiency and Redundancy in LRMs [46.51345659234088]
  大型共振モデル (LRMs) は、応答する前に拡張されたチェイン・オブ・ソートトレースを生成することで、強い性能を示す。 既存の評価は最終精度や粗いトークン数を重視しており、構造的冗長性から本質的なロジックを分離するための自動化ツールが欠如している。 我々は,自由形式のCoTを有向依存グラフに変換することによって推論効率を定量化するグラフ駆動フレームワークであるCoTJudgerを紹介する。
  論文  参考訳（メタデータ） (2026-03-07T07:18:58Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Enhanced-FQL($λ$), an Efficient and Interpretable RL with novel Fuzzy Eligibility Traces and Segmented Experience Replay [0.0]
  Enhanced-FQL($$)は、n-step fuzzy TDやfuzzyA($$)ベースラインと比較して、優れたサンプル効率と分散の低減を実現している。 フレームワーク固有の解釈可能性と計算効率と理論的収束保証が組み合わさって、安全クリティカルなアプリケーションに適している。
  論文  参考訳（メタデータ） (2026-01-07T20:59:18Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
  直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。 構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。 Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T17:59:00Z)
• Trainability Preserving Neural Structured Pruning [64.65659982877891]
  本稿では,正規化型構造化プルーニング法であるTPP(Traiability Preserving pruning)を提案する。 TPPは線形ネットワーク上での地中動力学的等尺性回復法と競合する。 多くのトップパフォーマンスのフィルタプルーニング手法と比較して、優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-07-25T21:15:47Z)
• Deep Reinforcement Learning for Solving the Heterogeneous Capacitated Vehicle Routing Problem [13.389057146418056]
  現実のシナリオにおける車両は、その能力(または走行速度)に影響を与える異なる特徴を持つ異種である可能性が高い 異種艦隊制約を考慮した車両選択デコーダと経路構成を考慮したノード選択デコーダとを併用した注意機構に基づくDRL手法を提案し,各ステップで車両とノードの両方を自動的に選択して解を構築することを学習する。
  論文  参考訳（メタデータ） (2021-10-06T10:05:19Z)

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。