[2026年7月30日提出]

PDFを表示 HTML（実験的）

要旨：分散型の設定における分散離散選択最適化は、探索やナビゲーションが困難な場合が多い：他のエージェントが何を選択し、それらの選択がどのように相互依存し、グローバルな目的にどのように集約的に到達するかを解きほぐすことは、システムが拡大するにつれて急速に難解になる。主要な制約は探索プロセスの可観測性にある。既存の手法は主に中央集権型で限定的なサポートしか提供せず、最終的な解の可視化や固定データセット上のアルゴリズムバックエンドの提供に留まるため、解がどのように到達されるかはブラックボックスのままとなる。我々は、分散型の設定における多エージェント離散選択最適化の探索プロセス全体をインタラクティブかつ視覚的に探索できる、軽量でコンテナ化された最適化ダッシュボードであるArgonautを提示する。ユーザーはデータセットをアップロードし、エージェントとオプションを構築し、意思決定空間とそのパラメータを動的に変更し、複数のアルゴリズムバックエンドを実行して、各構成がローカルエージェントの決定と結果としてのグローバル目的にどのように影響するかを検査できる。システム構築、最適化、分析を単一のインタラクティブループに統合するという初の試みとして、Argonautは分散離散選択最適化をワンショットでブラックボックスな計算ではなく、人間をループに含むプロセスにする。我々はArgonautを、実世界の家庭用電力、シェアモビリティ、センサーデータ交換のデータセットで評価し、5600エージェント、最大100万解（総当たり探索）までスケールすることを確認した。拡張可能なJavaおよびPython最適化バックエンドを備えたthis http URLインターフェース上に構築され、100の決定属性を持つ200エージェントの典型的な実行時間を30秒未満に維持する。

投稿履歴

投稿者: Srijoni Majumdar Dr [メールを表示]
[v1] 2026年7月30日(木) 09:52:33 UTC (609 KB)