論文の概要: HEMO: Harness Self-Evolution for Multi-Objective Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2610.40023v1
• Date: Thu, 29 Oct 2026 13:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.089023
• Title: HEMO: Harness Self-Evolution for Multi-Objective Combinatorial Optimization
• Title（参考訳）: HEMO:多目的組合せ最適化のためのハーネス自己進化
• Abstract要約: 自動演算子(AOD)は、多目的最適化(MOCO)のための問題固有の探索および変分演算子を生成するために、大規模言語モデル(LLM)をますます採用している。 HEMOを導入し,AODを自己進化的最適化目標とする。 Hemoは永続的なハーネス状態を維持し、一度に1つのモジュールを更新し、どのエクスペリエンスを取得するか、どのオペレータを改善するか、どの親が選択するか、検索ステップのオーケストレーションを定式化するかを決定するロジックを改訂する。
• 参考スコア（独自算出の注目度）: 64.21555594845748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic operator design (AOD) has increasingly adopted large language models (LLMs) to generate problem-specific search and variation operators for multi-objective combinatorial optimization (MOCO). Yet most methods evolve the operators while leaving the process that discovers them fixed. This limits adaptation as new Pareto trade-offs and operator interactions change where and how the search should proceed. We introduce HEMO, which makes the AOD harness itself a self-evolving optimization target. HEMO maintains a persistent harness state and updates one module at a time, revising the logic that determines which experience to retrieve, which operators to improve, which parents to select, and how to formulate the orchestration of search steps. Downstream solution quality and runtime guide these updates, while a discounted UCB scheduler directs adaptation toward promising modules as their utility changes. A persistent memory filesystem preserves candidate outcomes and diagnostic feedback across harness states, enabling successive states to build on accumulated optimization experience. Experiments across eight MOCO tasks and two structurally distinct evolutionary backbones demonstrate strong performance against conventional evolutionary, neural, and LLM-based AOD baselines, together with effective transfer to related tasks. HEMO extends automatic operator design beyond evolving individual operators to improving the search process that discovers them.
• Abstract（参考訳）: 自動演算子設計(AOD)は、多目的組合せ最適化(MOCO)のための問題固有の探索および変分演算子を生成するために、大規模言語モデル(LLM)をますます採用している。 しかし、ほとんどのメソッドは、修正されたプロセスを残しながら演算子を進化させます。 これにより、新しいParetoトレードオフやオペレータのインタラクションによって、検索の進むべき場所と方法が変わるため、適応が制限される。 HEMOを導入し,AODを自己進化的最適化目標とする。 HEMOは永続的なハーネス状態を維持し、一度に1つのモジュールを更新し、どのエクスペリエンスを検索するか、どのオペレータを改善するか、どの親が選択するか、検索ステップのオーケストレーションを定式化するかを決定するロジックを改訂する。 ダウンストリームソリューションの品質とランタイムはこれらの更新をガイドし、割引されたUTBスケジューラはユーティリティの変更として有望なモジュールへの適応を指示する。 永続的なメモリファイルシステムは、ハーネス状態全体にわたる候補結果と診断フィードバックを保持し、累積最適化エクスペリエンスに基づいて連続した状態を構築することができる。 8つのMOCOタスクと2つの構造的に異なる進化的バックボーンにわたる実験は、従来の進化的、神経的、およびLLMベースのALDベースラインに対して強い性能を示し、関連するタスクへの効果的な移動を示す。 HEMOは、個々の演算子の進化を超えて自動演算子設計を拡張し、発見する探索プロセスを改善する。

関連論文リスト

• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• Deep Reinforcement Learning-Assisted Automated Operator Portfolio for Constrained Multi-objective Optimization [15.16105358303256]
  制約付き多目的最適化問題(CMOP)は、実用的応用の文脈において非常に重要である。 既存の制約付き多目的進化アルゴリズム(CMOEA)は通常、常に固定演算子を用いる。 本稿では,各世代における演算子の割り当て方式を学習するための強化学習に基づく自動演算子ポートフォリオ手法を提案する。
  論文  参考訳（メタデータ） (2026-03-17T11:39:19Z)
• 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)
• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization [21.70371026963599]
  MOEAのマルチオペレータ最適化はマルコフ決定プロセスとして定式化されている。 E2OCは、最先端のAHDや他のマルチヒューリスティックな共同設計フレームワークを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-25T16:31:07Z)
• LLM4EO: Large Language Model for Evolutionary Optimization in Flexible Job Shop Scheduling [4.782301990330074]
  この研究は、Large Language Models (LLM)を活用して進化力学を理解し、演算子レベルのメタ進化を可能にする。 提案するフレームワーク LLM4EO は,知識伝達に基づく演算子設計,進化知覚と解析,適応演算子進化の3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-11-20T15:56:09Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• Generalizable Heuristic Generation Through Large Language Models with Meta-Optimization [14.919482411153185]
  大規模言語モデル (LLM) を用いたヒューリスティック設計が最適化問題に対処するための有望なアプローチとして登場した。 既存のアプローチは、しばしば手動で定義された進化的一般化とシングルタスクのトレーニングスキームに依存している。 本稿では,メタ学習のレベルで機能する新しいフレームワークであるMeta-Optimization of Heuristics(MoH)を提案する。
  論文  参考訳（メタデータ） (2025-05-27T08:26:27Z)

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。