論文の概要: Think in Strategies, Act with Tools: Traceable Agentic Optimization for Combinatorial Problems

• arxiv url: http://arxiv.org/abs/2610.14736v1
• Date: Sat, 10 Oct 2026 08:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.09722
• Title: Think in Strategies, Act with Tools: Traceable Agentic Optimization for Combinatorial Problems
• Title（参考訳）: 戦略を考える, ツールを用いた行為: 組合せ問題に対するトレーサブルなエージェント最適化
• Abstract要約: 本稿では,TASA(Tool-Augmented Strategic Agent)を提案する。 具体的には、TASAは最適化軌道に基づいて各ステップの戦略を計画している。 また、LLM(Large Language Models)を活用して、問題固有のツールを構築し、戦略誘導型適応ツールプランナを導入します。
• 参考スコア（独自算出の注目度）: 7.665990479687085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization by PROmpting (OPRO) directly leverages Large Language Models (LLMs) to generate candidate solutions through natural-language prompting. However, OPRO's optimization process is difficult to track, which prevents LLMs from capturing useful information accumulated over previous iterations, thereby limiting solution quality. To address this limitation, we propose a Tool-Augmented Strategic Agent (TASA) which summarizes and exploits trajectory to improve solution quality. Specifically, TASA plans the strategy for each step based on the optimization trajectory, which decomposes the optimization process into traceable strategy selections. Moreover, we leverage LLM to construct problem-specific tools and introduce a strategy-guided adaptive tool planner, which efficiently utilizes the information of trajectory to update solutions. We establish local convergence under persistent exploration and evaluate the complete framework under a shared candidate-evaluation budget. The results support its solution quality and the traceability of strategy-guided search.
• Abstract（参考訳）: Prompting (OPRO) は、Large Language Models (LLM) を直接利用して、自然言語のプロンプトを通じて候補解を生成する。 しかし、OPROの最適化プロセスは追跡が難しいため、LCMが以前のイテレーションに蓄積された有用な情報を取得できないため、ソリューションの品質が制限される。 この制限に対処するため,我々はTASA(Tool-Augmented Strategic Agent)を提案する。 具体的には、最適化過程をトレース可能な戦略選択に分解する最適化軌道に基づいて、各ステップの戦略を計画する。 さらに, LLMを利用して問題固有のツールを構築し, 戦略誘導型適応ツールプランナを導入し, トラジェクトリの情報を効率的に活用して解を更新する。 我々は、永続的な探究の下で局所収束を確立し、共有候補評価予算の下で完全な枠組みを評価する。 その結果、そのソリューションの品質と、戦略誘導検索のトレーサビリティが向上した。

関連論文リスト

• LLMDE: A Large Language Model-Driven Differential Evolution Algorithm for Portfolio Optimization [23.197379864220295]
  本研究では,手作りハイパーパラメータ設計への依存を減らすために,Large Language Model-Driven Differential Evolution (LLMDE)アルゴリズムを提案する。 CEC2022ベンチマークスイート上でのLLMDEの性能評価を行い,標準Dと代表メタヒューリスティックスとの比較を行った。 実験結果から,LLMDEは,高品質なソリューションを連続的に生成しながら,ベンチマークスイート上での競合性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-09-15T08:39:44Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
  大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。 しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。 LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
  論文  参考訳（メタデータ） (2025-03-16T10:09:10Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)
• Large Language Models as Optimizers [106.52386531624532]
  本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。 各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。 OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
  論文  参考訳（メタデータ） (2023-09-07T00:07:15Z)
• DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
  我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。 我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
  論文  参考訳（メタデータ） (2023-07-10T13:01:27Z)
• DECN: Evolution Inspired Deep Convolution Network for Black-box Optimization [9.878660285945728]
  本稿では、自動EAの概念を紹介します。 自動EAは、関心の問題における構造を利用して、自動更新ルールを生成する。 手動で設計したEAから手動の介入なしに自動化されたEAへの移行を実現するために、深層進化畳み込みネットワーク(DECN)を設計する。
  論文  参考訳（メタデータ） (2023-04-19T12:14:01Z)

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。