異種の大規模グローバル最適化のための学習に基づく協調的共進化フレームワーク

arXiv cs.LG / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、部分問題が異なる次元やランドスケープ構造を持つために、協調的共進化（CC）がうまく機能しない異種の大規模グローバル最適化（H-LSGO）を対象とする。
則者らは、最適化手法の選択をマルコフ決定過程（MDP）として定式化し、メタエージェントが各部分問題に対して最良の最適化手法を適応的に選択する「学習に基づく異種協調的共進化フレームワーク」（LH-CC）を提案する。
著者らは、異種の振る舞いを評価するために、多様なH-LSGOインスタンスを生成する柔軟なベンチマーク群を提案する。
複雑な結合を持つ3000次元問題に対する実験により、LH-CCは最先端のベースラインよりも、解の品質と計算効率の両面で優れていることが示される。
本フレームワークは、異なるインスタンス、最適化ホライズン、最適化手法タイプにまたがって強い汎化性能を示し、動的な最適化手法選択がH-LSGOにおける重要な戦略であることを強調している。

要旨: 協調的共進化（CC）は分解によって大規模グローバル最適化（LSGO）に対して効果的に対処しますが、実世界のアプリケーションから生じる、次に現れつつある異種LSGO（H-LSGO）問題のクラスには対応が難しいという課題があります。そこでは、部分問題が多様な次元を持ち、異なる探索地形を示します。固定された低次元のオプティマイザに依存する従来のCCパラダイムでは、この異種性をうまく扱えないことがしばしばあります。こうした制約に対処するため、学習ベースの異種協調的共進化フレームワーク（LH-CC）を提案します。最適化プロセスをマルコフ決定過程として定式化することで、LH-CCはメタエージェントを用いて各部分問題に対して最適なオプティマイザを適応的に選択します。また、多様なH-LSGO問題インスタンスを生成するための柔軟なベンチマークスイートも導入します。複雑な結合関係を持つ3000次元の問題に対する大規模な実験の結果、LH-CCは最先端のベースラインと比べて、より高い解の品質と計算効率を達成することが示されました。さらに、このフレームワークは、異なる問題インスタンス、最適化ホライズン、オプティマイザにまたがって頑健な一般化性能を示します。私たちの発見は、動的なオプティマイザ選択が複雑なH-LSGO問題を解くための重要な戦略であることを明らかにしています。