論文の概要: WCC: A Learning-Based Framework for Deciding When to Apply Cooperative Coevolution in Large-Scale Optimization

• arxiv url: http://arxiv.org/abs/2610.37329v1
• Date: Tue, 27 Oct 2026 14:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.660497
• Title: WCC: A Learning-Based Framework for Deciding When to Apply Cooperative Coevolution in Large-Scale Optimization
• Title（参考訳）: WCC: 大規模最適化における協調的共進化の適用時期を決定するための学習ベースフレームワーク
• Abstract要約: Cooperative Coevolution (CC) と Non-Decomposition Algorithms (NDA) は、大規模大域最適化 (LSGO) の2つの主要なアプローチである。 我々はLSGOにCCをいつデプロイするかを動的に決定する新しい学習ベースのフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 27.973703465151374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative Coevolution (CC) and Non-Decomposition Algorithms (NDAs) are two primary approaches for large-scale global optimization (LSGO). Although both have achieved success, they exhibit markedly different performance across problem types and each faces approach-specific limitations, leaving the question of "when to use CC" unresolved. We address this gap with WCC, a novel learning-based framework that dynamically decides when to deploy CC in LSGO. WCC employs a streamlined design for efficient adaptive learning. We formulate the decision as a Markov decision process, designing a targeted feature set, a robust reward, and a tailored network architecture to provide the agent with rich information about the problem state and optimization progress. Our auto-regressive policy enables WCC to perform fine-grained, dynamic switching between CC and NDAs while conditionally allocating the computational budget without expert specifications. WCC shows strong competitiveness and superior generalization across problems, optimization horizons, and baseline optimizers. It realizes a "train-once and reuse" paradigm under a low budget, significantly curbing LSGO cost. Additionally, in-depth analyses yield insights not captured by existing theory, offering practical guidance on when and how to effectively deploy CC.
• Abstract（参考訳）: Cooperative Coevolution (CC) と Non-Decomposition Algorithms (NDA) は、大規模なグローバル最適化(LSGO)の2つの主要なアプローチである。 どちらも成功しているが、それらは問題の種類やアプローチ固有の制限に大きく異なるパフォーマンスを示しており、"CCを使うとき"という疑問は未解決のままである。 LSGOにCCをいつデプロイするかを動的に決定する新しい学習ベースのフレームワークであるWCCとのギャップに対処する。 WCCは効率的な適応学習のための合理化設計を採用している。 我々は、マルコフ決定プロセスとして決定を定式化し、ターゲットとなる特徴セット、堅牢な報酬、そしてネットワークアーキテクチャを設計し、エージェントに問題状態と最適化の進捗状況に関する豊富な情報を提供する。 我々の自己回帰政策により WCC は CC と NDA を細粒度で動的に切り替えることができ、一方、計算予算を専門家の指定なしに条件付きで割り当てることができる。 WCCは、問題、最適化水平線、ベースラインオプティマイザにまたがる強力な競争力と優れた一般化を示す。 LSGOのコストを著しく抑えつつ、低予算で"トレイン・オンス・アンド・リユース"のパラダイムを実現する。 さらに、詳細な分析により、既存の理論によって捉えられていない洞察が得られ、いつ、どのようにCCを効果的に展開するかに関する実践的なガイダンスを提供する。

関連論文リスト

• A Learning-Based Cooperative Coevolution Framework for Heterogeneous Large-Scale Global Optimization [21.998622908002464]
  我々はLH-CC(Learning-based Heterogeneous Coevolution Framework)を提案する。 LH-CCは各H-LSGO問題インスタンスに対して最適なサブプロブレムを適応的に選択する。 その結果, 動的選択は, 複雑なH-LSGO問題を解く上で重要な戦略であることがわかった。
  論文  参考訳（メタデータ） (2026-03-30T00:18:05Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Advancing CMA-ES with Learning-Based Cooperative Coevolution for Scalable Optimization [12.899626317088885]
  本稿では,先駆的な学習に基づく協調的共進化フレームワークであるLCCを紹介する。 LCCは最適化プロセス中に動的に分解戦略をスケジュールする。 最適化の効率性とリソース消費の観点からは、最先端のベースラインに対して、ある種のアドバンテージを提供する。
  論文  参考訳（メタデータ） (2025-04-24T14:09:22Z)
• UDC: A Unified Neural Divide-and-Conquer Framework for Large-Scale Combinatorial Optimization Problems [8.871356150316224]
  2段階のニューラル手法は、大規模なCO問題に対処する際の効率性を示している。 本稿では,一般の大規模CO問題の解法として,統一型ニューラルディバイド・アンド・コンカー・フレームワーク(UDC)を開発する。
  論文  参考訳（メタデータ） (2024-06-29T04:29:03Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)

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。