PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24105v1cs.NE

DCL-GPGLS: 대규모 차량 경로 문제를 위한 유전 프로그래밍 유도 국소 탐색 기반 동적 커리큘럼 학습

DCL-GPGLS: Dynamic Curriculum Learning for Genetic Programming Guided Local Search in Large-Scale Vehicle Routing

유전 프로그래밍 유도 국소 탐색(GPGLS)은 대규모 차량 경로 문제(LSVRP)의 유도 국소 탐색에 사용할 효용 함수(utility function)를 진화시키기 위해 유전 프로그래밍을 활용합니다. 매 세대마다 모든 학습(training) 인스턴스에 걸쳐 모든 GP 개체를 평가(evaluation)하는 것은 비용이 많이 들기 때문에, GPGLS는 통상적으로 작은 인스턴스 배치(batch)로 학습됩니다. 기존의 커리큘럼 기반 GPGLS는 주로 인스턴스 크기에 따라 이러한 배치의 순서를 정합니다. 적응형 커리큘럼 학습 GPGLS(ACL-GPGLS)는 고정된 커리큘럼 단계 간 이동 시점을 조정하여 학습 효율을 개선하지만, 인스턴스 난이도 순서는 여전히 사전에 정의된 상태로 유지됩니다. 본 논문에서는 현재 모집단(population)의 해 품질을 바탕으로 각 학습 인스턴스의 난이도를 추정하고 진화 과정 동안 이를 업데이트하는 DCL-GPGLS를 제안합니다. 이후 각 세대는 계획된 난이도 수준에 근접한 배치를 전달받으며, 동일 인스턴스의 반복 선택을 제한하는 보정이 함께 적용됩니다. CVRPLIB X 세트의 고정된 학습-테스트 분할에 대한 실험 결과, DCL-GPGLS는 6가지 학습 정책 중 가장 우수한 평균 순위와 평균 테스트 비용을 달성함을 보여줍니다. 또한 65개의 미확인(unseen) 테스트 인스턴스 중 36개에서 가장 낮은 평균 비용을 기록했으며, 총 평가자 호출 횟수가 동일한 정적 피드백 기반 커리큘럼과 비교했을 때 6개 인스턴스에서 유의미하게 우수했고 나머지 59개 인스턴스에서는 유의미한 차이가 없었습니다.

arXiv:2609.24104v1cs.NE

차량 경로 문제에서 유도 국소 탐색 학습을 위한 행동 기반 니칭 유전 프로그래밍

Genetic Programming with Behaviour-based Niching for Learning Guided Local Search in Vehicle Routing Problems

유전 프로그래밍 유도 국소 탐색(GPGLS)은 차량 경로를 위한 국소 탐색을 유도하는 효용 함수를 학습한다. 진화하는 프로그램은 서로 다른 탐색 행동을 유발하면서 유사한 적합도를 가질 수 있어, 적합도만으로는 개체군 다양성 관리의 불완전한 기준이 된다. 우리는 국소 탐색 중 수집된 여섯 가지 연산자 수준 기술자로 프로그램을 특성화하는 행동 기반 니칭 GPGLS(BN-GPGLS)를 제안한다. 현 세대 아카이브는 행동 점수의 층에서 적합도 경쟁력이 있고 compact한 대표를 선정한다. 고정 정책은 아카이브 부모를 지속적으로 사용하는 반면, 적응형 정책은 학습 적합도와 표준화된 행동 분산 신호를 사용하여(선택적으로 트리 크기 조건과 함께) 이를 활성화한다. 우리는 생성된 200-고객 인스턴스에서 30회 시드 매칭 실행에 걸쳐 아카이브 없는 GPGLS 대조군 및 적합도 기반 니칭과 네 가지 행동 기반 변형을 비교한다. BN-Adaptive는 별도의 90-인스턴스 모니터링 세트에서 최고의 평균 순위를 달성한다; 집계된 경로 비용 차이는 작다. 다섯 가지 아카이브 정책 모두 GPGLS 대조군보다 낮은 최종 개체군 중앙값 트리 크기를 산출하며, 쌍체 Wilcoxon 비교는 Holm 보정 후에도 유의하게 남는다. 이 결과는 평가된 설정 내에서 유용한 해 품질과 프로그램 크기 간의 트레이드오프를 밝히며, 크기 감소를 행동 표현만으로 귀인하지는 않는다.

arXiv:2602.05675v2cs.NE

다목적 조합 최적화에서 무작위 지역 탐색을 위한 가변 탐색 스텝 크기

Variable Search Stepsize for Randomized Local Search in Multi-Objective Combinatorial Optimization

다목적 조합 최적화 문제(MOCOP)에서 고정된 이웃 크기에 의존하는 기존 무작위 지역 탐색이 지역 최적해에 쉽게 빠지는 문제를 해결하기 위해, 탐색 초기에는 넓은 스텝 크기로 탐험하고 점진적으로 세밀한 탐색으로 전환하는 VS-RLS(Variable Stepsize Randomized Local Search)를 제안한다. 다목적 배낭 문제, 외판원 문제(TSP), 이차 할당 문제(QAP), NK-Landscape 등 다양한 MOCOP 벤치마크에서 기존 지역 탐색 및 MOEA 방법들을 능가함을 실험적으로 입증하였다.

arXiv:2606.27762v1cs.NE

DE-2LS: 구속 없는 단일 목적 수치 최적화를 위한 후기 단계 local-search 강화 차분 진화

DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization

RDEx를 기반으로 후기 탐색 단계에서의 평활화된 활용 편향 branch-rate 갱신과 guarded coordinate-pattern 로컬 서치를 추가한 차분 진화(Differential Evolution) 프레임워크 DE-2LS를 제안한다. 실험 결과, DE-2LS는 원본 RDEx 대비 U-score를 11.45% 향상시켰으며, IEEE CEC 우승 알고리즘들과의 비교에서도 34.43% 높은 최고 종합 U-score를 달성했다.

arXiv:2606.07361v2cs.NE

지배 집합과 정점 색칠에 대한 조합 경관 분석

Combinatorial Landscape Analysis for Dominating Set and Vertex Coloring

지배 집합과 정점 색상화 문제의 조합 경관을 분석하여 다양한 그래프 클래스에서 국소 최적해의 유형을 규명한다. 단일 변경과 교환을 허용하는 두 가지 이웃 연산자를 기반으로 경관이 단봉형, 등봉형, 다봉형 등으로 분류된다.

arXiv:2606.06656v1cs.AI

병렬 연속 국소 탐색에 관한 연구

A Study of Parallel Continuous Local Search

대칭 의사 부울(PB) 제약이 있는 부울 만족성(SAT) 문제에 대한 해법으로 병렬 연속 국소 탐색(CLS)을 연구한다. 여기서 $n$변수 PB-만족성 문제는 $n$차원 하이퍼큐브 위의 미분 가능한 목적 함수를 갖는 연속 최적화 문제로 완화된다. 만족 가능한 인스턴스에 대해, 이 최적화 문제의 전역 최소화점은 해당 SAT 문제의 만족 대입에 대응한다. 실험을 통해 여러 새로운 발견을 제시한다: (i) 중복 제약은 수렴을 가속하기보다 오히려 저해할 수 있다; (ii) CLS는 하이브리드 설정에서 부분 대입을 빠르게 완성하는 부분 솔버(sub-solver)로서 유망하다; (iii) 추가 솔버 단계가 수익 체감을 낳는 안장점(saddle) 밀집 목적 함수로 인해, 국소 탐색은 해 품질(즉, 만족 정도)의 안정적인 분포에 빠르게 수렴한다. 이러한 결과는 현대 가속기 하드웨어에서 SAT를 위한 CLS의 실용적 활용에 대한 시사점을 제공한다.

arXiv:2606.06641v1cs.AI

가속 푸리에 SAT (AFSAT): GPU 기반 대칭 의사-불리언 SAT 솔버의 완전한 구현

Accelerated Fourier SAT (AFSAT): Fully Realising a GPU-based Symmetric Pseudo-Boolean SAT Solver

본 논문에서는 연속 지역 탐색(CLS)을 기반으로 한 의사-불리언 만족가능성(pseudo-Boolean satisfiability)을 위한 GPU 가속 솔버인 Accelerated Fourier SAT (AFSAT)를 제안한다. AFSAT는 개념 증명 수준의 접근 방식인 FastFourierSAT를 단일 문제 인스턴스 내에서 대칭 제약 유형과 길이의 임의적인 이종 혼합을 지원하는 완전히 공학적으로 구현된 솔버로 발전시킨다. JAX 컴파일러를 활용하여 AFSAT는 순수 함수 합성, 자동 벡터화, 자동 미분, 그리고 JIT(just-in-time) 컴파일을 통해 후보 할당의 배치 전체에 걸쳐 대규모 병렬 CLS를 수행한다. 메모리 지연 및 부동소수점 표현에서 발생하는 다양한 한계를 식별하고 해결하는 동시에 자동 병렬화 및 컴팩트 표현을 활용함으로써, 개념 증명 대비 수치 안정성, 실행 시간 성능, 메모리 효율성을 크게 향상시켰다. 부동소수점의 본질적인 표현 및 안정성 한계는 맞춤형 이산 푸리에 변환(DFT) 구현을 통해 부분적으로 해소된다. JAX 배열 샤딩을 통해 다중 가속기로 확장 시 거의 선형에 가까운 처리량을 달성한다.