グラフニューラルネットワークと遺伝的アルゴリズムのハイブリッド化による遺伝的アルゴリズムの向上：シミュレータ配当のケーススタディ

arXiv:2602.08619v1 Announce Type: cross この論文は、時表化の最適化のために多様モードの遺伝的アルゴリズムとグラフニューラルネットワークをハイブリッド化することで得られる影響を調査します。グラフニューラルネットワークは、一般のドメイン知識を包摂してスケジュールの質を向上させるように設計されており、遺伝的アルゴリズムは探索空間の異なる領域を探索し、ディープラーニングモデルを強化演算子として統合して最適解へのソリューション検索を案内します。最初に、このハイブリッド手法の両方のコンポーネントは独立して設計、開発、最適化されました。複数の実験は、Staff Rostering（よく知られた時表化の問題）を用いて、提案されたハイブリッド化と比較されるために、単独の最適化された遺伝的アルゴリズムおよびグラフニューラルネットワークのバージョンと比較を行いました。実験結果は、提案されたハイブリッド化が、単独の方法と比較して時間効率とソリューション品質の両方のメトリックにおいて統計的に有意な改善をもたらすことを示しています。この分野で知れている限り、この作業は時表化の問題を解決するための遺伝的アルゴリズムとグラフニューラルネットワークの最初のハイブリッド化を提案しています。

arXiv:2602.08619v1 Announce Type: cross Abstract: This paper investigates the impact of hybridizing a multi-modal Genetic Algorithm with a Graph Neural Network for timetabling optimization. The Graph Neural Network is designed to encapsulate general domain knowledge to improve schedule quality, while the Genetic Algorithm explores different regions of the search space and integrates the deep learning model as an enhancement operator to guide the solution search towards optimality. Initially, both components of the hybrid technique were designed, developed, and optimized independently to solve the tackled task. Multiple experiments were conducted on Staff Rostering, a well-known timetabling problem, to compare the proposed hybridization with the standalone optimized versions of the Genetic Algorithm and Graph Neural Network. The experimental results demonstrate that the proposed hybridization brings statistically significant improvements in both the time efficiency and solution quality metrics, compared to the standalone methods. To the best of our knowledge, this work proposes the first hybridization of a Genetic Algorithm with a Graph Neural Network for solving timetabling problems.