論文の概要: Evo-B&B: Behavior-Aware LLM-Guided Joint Evolution of Branching and Node Selection Policies for MILP
- arxiv url: http://arxiv.org/abs/2610.22861v1
- Date: Fri, 16 Oct 2026 03:07:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.736972
- Title: Evo-B&B: Behavior-Aware LLM-Guided Joint Evolution of Branching and Node Selection Policies for MILP
- Title（参考訳）: Evo-B&B:MILPにおける分岐とノード選択の動作を考慮したLCM誘導共同進化
- Abstract要約: Evo-B&Bは、エンドツーエンドのSCIP解決フィードバックを用いて、実行可能分岐とノード選択ポリシーを共同で進化させる。
特定のB&B決定状態の分岐やノード選択の行動からポリシーの類似性を計測し、この類似性を利用して人口の多様性を保っている。
実験結果から,Evo-B&Bは競争力のある解法性能を達成し,大規模インスタンスに最適化できることが示唆された。
- 参考スコア（独自算出の注目度）: 26.11036066916149
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In branch-and-bound for Mixed-Integer Linear Programming (MILP), branching and node selection are two critical and tightly coupled decisions, yet most existing learning-based approaches focus on optimizing them separately. We propose Evo-B&B, an LLM-guided evolutionary framework that jointly evolves executable branching and node selection policies using end-to-end SCIP solving feedback. To improve search efficiency and reduce redundant evaluations of behaviorally similar policies, Evo-B&B introduces a behavior-aware multi-island evolutionary mechanism. It measures policy similarity from branching and node-selection behaviors on a fixed set of B&B decision states and uses this similarity to preserve population diversity. We evaluate Evo-B&B on four standard MILP benchmarks across multiple instance scales. Experimental results show that Evo-B&B achieves competitive solving performance and generalizes well to larger-scale instances, while ablation studies further demonstrate the effectiveness of joint evolution and behavior-aware diversity management.
- Abstract（参考訳）: Mixed-Integer Linear Programming (MILP)のブランチとバウンドでは、分岐とノードの選択は2つの重要かつ緊密に結合された決定である。
我々は,エンドツーエンドのSCIP問題解決フィードバックを用いて,実行可能分岐とノード選択ポリシを共同で進化させるLLM誘導進化フレームワークであるEvo-B&Bを提案する。
Evo-B&Bは、探索効率の向上と、行動に類似したポリシーの冗長な評価の削減を目的として、行動認識多島進化機構を導入している。
特定のB&B決定状態の分岐やノード選択の行動からポリシーの類似性を計測し、この類似性を利用して人口の多様性を保っている。
複数のインスタンススケールにわたる4つの標準MILPベンチマークでEvo-B&Bを評価した。
実験の結果,Evo-B&Bは競争力のある解法性能を達成し,大規模インスタンスに最適化できることが示され,アブレーション研究は共同進化と行動認識の多様性管理の有効性をさらに実証した。
関連論文リスト
- Self-Evolving Memory for Generative Recommendation [100.15207958893029]
生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。
継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。
本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
論文 参考訳（メタデータ） (2026-09-14T14:00:38Z) - Entropy-Augmented Multi-Objective Policy Optimization in Multiagent Systems [0.9799637101641152]
NSGA-IIのような多目的進化的アルゴリズムは、目的空間の多様性を最適化するが、行動空間の多様性を無視する。
本稿では、エントロピーボーナスをエージェント適合度スコアに組み込むエントロピー強化政策評価戦略を導入する。
NSGA-IIベースラインと比較して最大48%の超体積改善が観察された。
論文 参考訳（メタデータ） (2026-08-12T19:07:47Z) - Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。
MSAサブサンプリングは限定的なトークン予算では避けられない。
本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
論文 参考訳（メタデータ） (2026-07-24T13:55:21Z) - EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
EvoXは、独自の進化過程を最適化する適応進化法である。
進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。
AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
論文 参考訳（メタデータ） (2026-02-26T18:54:41Z) - 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) - Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity [6.921493684518839]
個人レベルの戦略多様性が差分進化の探索力学と性能に与える影響について検討する。
iStratDEは、突然変異とクロスオーバー戦略を個別に割り当てる最小限の変種である。
CEC2022ベンチマークスイートとロボット制御タスクの実験は、iStratDEが確立された適応Dの変種と一致するか、あるいは超えることを示した。
論文 参考訳（メタデータ） (2026-02-01T10:45:44Z) - 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) - EvoLattice: Persistent Internal-Population Evolution through Multi-Alternative Quality-Diversity Graph Representations for LLM-Guided Program Discovery [2.1756081703276]
EvoLatticeは、単一の非巡回グラフ内の候補プログラムやエージェントの行動の全集団を表すフレームワークである。
各ノードは複数の永続的な選択肢を格納し、グラフを通る有効なパスは、それぞれ別の候補を定義する。
EvoLatticeは、ローカルデザインの選択がグローバルパフォーマンスにどのように影響するかを示す統計データを生成する。
論文 参考訳（メタデータ） (2025-12-15T19:43:06Z) - Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms [0.3683202928838613]
GAN(Generative Adversarial Network)は強力な生成モデルであるが,モード崩壊や不安定性などの病態のため,トレーニングが困難である。
近年の研究では、ジェネレータと識別器の個体群が進化する進化的アプローチが研究されている。
本稿では,異なる共進化的GANトレーニング戦略の実証分析を行い,選択と代替メカニズムの影響に着目した。
論文 参考訳（メタデータ） (2025-07-17T14:19:17Z) - Offline Multi-agent Reinforcement Learning via Score Decomposition [51.23590397383217]
オフライン協調型マルチエージェント強化学習(MARL)は、分散シフトによる固有の課題に直面している。
この作業は、オフラインとオンラインのMARL間の分散ギャップを明示的に解決する最初の作業である。
論文 参考訳（メタデータ） (2025-05-09T11:42:31Z)
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。