Fugu-MT 論文翻訳(概要): Learning to Orchestrate Evolutionary Search: Progression-Aware Deep Reinforcement Learning for Dynamic DE-CMA-ES Coordination in Optimization and Structural Model Updating

論文の概要: Learning to Orchestrate Evolutionary Search: Progression-Aware Deep Reinforcement Learning for Dynamic DE-CMA-ES Coordination in Optimization and Structural Model Updating

arxiv url: http://arxiv.org/abs/2610.11546v1
Date: Thu, 08 Oct 2026 09:12:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.914249
Title: Learning to Orchestrate Evolutionary Search: Progression-Aware Deep Reinforcement Learning for Dynamic DE-CMA-ES Coordination in Optimization and Structural Model Updating
Title（参考訳）: 進化的探索を編成する学習:最適化と構造モデル更新における動的D-CMA-ESコーディネートのための進歩型深層強化学習
Abstract要約: 高次元構造問題は、複雑な非情報アーキテクチャを相関パラメータでナビゲートするアルゴリズムを必要とする。 DRL-DCOは、最先端適応進化アルゴリズムと比較して収束精度と堅牢性に優れる。
参考スコア（独自算出の注目度）: 2.949993003804385
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Solving high-dimensional structural model updating problems requires an algorithm capable of navigating complex, non-convex landscapes with correlated parameters. Existing hybrid evolutionary algorithms typically rely on static architectures or fixed switching rules, resulting in disjointed search phases. To address this, this study proposes a Deep Reinforcement Learning-governed dynamic DE-CMAES Orchestration (DRL-DCO) algorithm, in which a Deep Deterministic Policy Gradient (DDPG)-based actor-critic agent continuously governs the evolutionary process as a single, unified system rather than a mechanical concatenation of algorithms. Guided by a progression-aware state representation and a diversity-informed reward, the agent fluidly reallocates computational resources between the differencevector-based exploration of Differential Evolution (DE) and the covariance-guided exploitation of CMA-ES, while jointly regulating population size, elite preservation, and a restart mechanism to escape local optima. This allows DRL-DCO to autonomously transition between exploration-dominant, exploitation-dominant, and mixed-strategy regimes across generations. Beyond the training phase, the trained actor can operate in a supervision-free inference mode, where the internalized policy autonomously orchestrates DE and CMA-ES control from observed search states through forward inference alone, without critic evaluation or weight updates, enabling faster deployment while retaining full effectiveness. Validated on high-dimensional single-objective optimization benchmarks and the IASC-ASCE structural health monitoring benchmark, DRL-DCO achieves superior convergence accuracy and robustness compared to state-of-the-art adaptive and hybrid evolutionary algorithms, as well as single-operator DRL-governed baselines.
Abstract（参考訳）: 高次元構造モデルの更新問題を解決するには、複雑な非凸地形を相関パラメータでナビゲートするアルゴリズムが必要である。既存のハイブリッド進化アルゴリズムは、通常静的なアーキテクチャや固定されたスイッチング規則に依存しており、結果として解離した探索フェーズとなる。そこで本研究では,Deep Reinforcement Learning-governed dynamic DE-CMAES Orchestration (DRL-DCO)アルゴリズムを提案する。差分ベクターによる差分進化探索(DE)とCMA-ESの共分散誘導的利用の間に計算資源を流動的に再配置し、人口規模、エリート保存、および局所オプティマから逃れるための再起動機構を共同で制御する。これによりDRL-DCOは、探検支配者、搾取支配者、混合戦略体制の間を自律的に移行することができる。トレーニングフェーズを超えて、トレーニングされたアクターは、監督不要の推論モードで動作可能であり、内部化されたポリシーは、評価や重み更新を伴わずに、観察された検索状態からのDとCMA-ES制御を前方推論のみで自律的にオーケストレーションし、完全な効率を維持しながら、より高速なデプロイメントを可能にする。高次元単目的最適化ベンチマークとIASC-ASCE構造健康モニタリングベンチマークで検証されたDRL-DCOは、最先端適応型およびハイブリッド進化アルゴリズムや単操作DRL支配ベースラインと比較して、収束精度と堅牢性に優れる。

関連論文リスト

Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-25T12:16:28Z)
Multi-AUV Ad-hoc network-based Target Tracking: A Value Gradient Guidance Multi-Agent Diffusion Reinforcement Learning Approach [21.830851526984418]
マルチAUVのアドホックネットワークに基づく目標追跡には、ネットワーク化された自律型水中車両(AUV)が協調して目標を追跡する必要がある。本稿では,値勾配誘導型マルチエージェント拡散RLアルゴリズムであるVGG-MADiffRLと,拡散型階層型制御アーキテクチャであるMDCAを提案する。 VGG-MADiffRLは、協調的なトラッキングシナリオにおいて、より高速な収束、より高いトラッキング精度、よりスムーズなトレーニングダイナミクスを実現する。
論文参考訳（メタデータ） (2026-08-12T14:15:35Z)
Discovering Multiagent Learning Algorithms with Large Language Models [8.649235365712004]
我々は,大規模言語モデルを用いた進化的符号化エージェントであるAlphaEvolveを用いて,新しいマルチエージェント学習アルゴリズムを自動発見する。ゲーム理論学習の2つの異なるパラダイムのための新しい変種を進化させることにより、この枠組みの一般化を実証する。
論文参考訳（メタデータ） (2026-02-18T22:41:00Z)
PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
論文参考訳（メタデータ） (2026-01-15T18:25:23Z)
Multi-Objective Reward and Preference Optimization: Theory and Algorithms [3.316593788543852]
この論文は、制御、嗜好学習、大規模言語モデルのアライメントを越えて制約付き強化学習(RL)を進める理論的枠組みとアルゴリズムを開発する。 ACPO, e-COP, warmPref-PS, PSPL, MOPOは, 平均コスト, エピソード, 嗜好駆動のパラダイムでRLを推し進める。集合的に、論文はRLを平均的コスト、エピソード、および嗜好駆動のパラダイムで統一し、理論的な進歩と、安全で整合した意思決定のための実践的なツールを提供する。
論文参考訳（メタデータ） (2025-12-11T12:51:21Z)
Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。私たちのアプローチの中心は、強化学習と因果推論を統合することです。提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
論文参考訳（メタデータ） (2025-11-10T12:45:52Z)
Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文参考訳（メタデータ） (2025-03-24T03:19:45Z)
A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation [4.144893164317513]
分散化された部分観測可能なマルコフ決定プロセス(Dec_POMDP)を用いた新しいフレームワークを提案する。我々の方法論の核心は、局所情報集約多元決定政策勾配(LIA_MADDPG)アルゴリズムである。実験により,LIAモジュールは様々なCTDEベースのMARL法にシームレスに統合可能であることが示された。
論文参考訳（メタデータ） (2024-11-29T07:53:05Z)
Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文参考訳（メタデータ） (2023-12-10T15:22:30Z)

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。