Discovering new robust local search algorithms with neuro-evolution

要約

このペーパーでは、ローカル検索アルゴリズムの領域で既存の課題を克服することを目的とした新しいアプローチを探ります。
私たちの目的は、各反復で近隣で可能な限り最高の移行を行うために、ローカル検索アルゴリズム内で行われる決定プロセスを改善することです。
このプロセスを改善するために、従来のローカル検索アルゴリズムと同じ入力情報を持つニューラルネットワークを使用することを提案します。
EvoCop2024で提示された作業の拡張であるこのホワイトペーパーでは、アルゴリズムを可能な限り効率的に、問題目的関数の単調変換に対しても堅牢にするために、この情報を表現するさまざまな方法を調査します。
このアプローチの効率を評価するために、NKランドスケープの問題を中心とした実験セットアップを開発し、問題のサイズと頑丈さを調整する柔軟性を提供します。
このアプローチは、新しいローカル検索アルゴリズムの出現と、ブラックボックスの問題に対する問題解決機能の改善のための有望な手段を提供します。
この記事の最後のバージョンは、Journal SN Computer Science（Springer）に掲載されています。

要約(オリジナル)

This paper explores a novel approach aimed at overcoming existing challenges in the realm of local search algorithms. Our aim is to improve the decision process that takes place within a local search algorithm so as to make the best possible transitions in the neighborhood at each iteration. To improve this process, we propose to use a neural network that has the same input information as conventional local search algorithms. In this paper, which is an extension of the work presented at EvoCOP2024, we investigate different ways of representing this information so as to make the algorithm as efficient as possible but also robust to monotonic transformations of the problem objective function. To assess the efficiency of this approach, we develop an experimental setup centered around NK landscape problems, offering the flexibility to adjust problem size and ruggedness. This approach offers a promising avenue for the emergence of new local search algorithms and the improvement of their problem-solving capabilities for black-box problems. The last version of this article is published in the journal SN Computer Science (Springer).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google