An Example of Evolutionary Computation + Large Language Model Beating Human: Design of Efficient Guided Local Search

要約

人間の専門家が効率的なアルゴリズムを設計するのは非常に面倒なことが多い。最近我々は、自動アルゴリズム設計のための新しいアルゴリズム進化（Algorithm Evolution using Large Language Model: AEL）フレームワークを提案した。AELは、大規模言語モデルと進化計算のパラダイムを組み合わせ、アルゴリズムを自動的に設計、組み合わせ、修正する。本論文では、よく知られた巡回セールスマン問題(TSP)を解くためのガイド付き局所探索(GLS)のガイドアルゴリズムを設計するためにAELを使用する。AELは、最小限の人的労力とモデルトレーニングなしで、2日間でエリートGLSアルゴリズムを自動的に進化させる。1,000個のTSP20-TSP100インスタンスとTSPLibインスタンスで実験した結果、AELが設計したGLSは、同じ反復バジェットで最先端の人間が設計したGLSを凌駕した。1,000回の反復でTSP20とTSP50では0%、TSP100では0.032%のギャップを達成した。我々の発見は、自動アルゴリズム設計における新時代の到来を示すものである。

要約(オリジナル)

It is often very tedious for human experts to design efficient algorithms. Recently, we have proposed a novel Algorithm Evolution using Large Language Model (AEL) framework for automatic algorithm design. AEL combines the power of a large language model and the paradigm of evolutionary computation to design, combine, and modify algorithms automatically. In this paper, we use AEL to design the guide algorithm for guided local search (GLS) to solve the well-known traveling salesman problem (TSP). AEL automatically evolves elite GLS algorithms in two days, with minimal human effort and no model training. Experimental results on 1,000 TSP20-TSP100 instances and TSPLib instances show that AEL-designed GLS outperforms state-of-the-art human-designed GLS with the same iteration budget. It achieves a 0% gap on TSP20 and TSP50 and a 0.032% gap on TSP100 in 1,000 iterations. Our findings mark the emergence of a new era in automatic algorithm design.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL