Optimization Problem Solving Can Transition to Evolutionary Agentic Workflows

要約

このポジションペーパーでは、最適化の問題解決が専門家依存から進化的エージェントワークフローに移行できると主張しています。
従来の最適化の実践は、問題の定式化、アルゴリズムの選択、ハイパーパラメーターの調整に人間の専門家に依存しており、最先端の方法の産業採用を妨げるボトルネックを作成します。
基礎モデルと進化的検索を搭載した進化エージェントワークフローは、問題、定式化、アルゴリズム、およびハイパーパラメータースペースを含む最適化空間を自律的にナビゲートできると主張します。
クラウドリソースのスケジューリングとADMMパラメーターの適応でのケーススタディを通じて、このアプローチが学術革新と産業実装の間のギャップをどのように埋めることができるかを示します。
私たちの立場は、人間中心の最適化ワークフローの現状に挑戦し、実際の最適化の問題を解決するためのよりスケーラブルで適応的なアプローチを提唱しています。

要約(オリジナル)

This position paper argues that optimization problem solving can transition from expert-dependent to evolutionary agentic workflows. Traditional optimization practices rely on human specialists for problem formulation, algorithm selection, and hyperparameter tuning, creating bottlenecks that impede industrial adoption of cutting-edge methods. We contend that an evolutionary agentic workflow, powered by foundation models and evolutionary search, can autonomously navigate the optimization space, comprising problem, formulation, algorithm, and hyperparameter spaces. Through case studies in cloud resource scheduling and ADMM parameter adaptation, we demonstrate how this approach can bridge the gap between academic innovation and industrial implementation. Our position challenges the status quo of human-centric optimization workflows and advocates for a more scalable, adaptive approach to solving real-world optimization problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google