技術的概要：ジェノ合成アルゴリズム

1. 問題定義

現実世界の最適化問題は、しばしば均質な実数ベクトルとして自然に表現できない「異質な設計対象」を含みます。むしろ、これらの問題は、整数（例：ルックバック期間）、実数（例：閾値）、ブールスイッチ、カテゴリカル選択、複素数記述子、および埋め込み空間表現などの複合パラメータから構成されます。

標準的な進化アルゴリズムは通常、これらの異質なコンポーネントを単一の染色体に「平坦化」することで対処します。このアプローチは、汎用的な変異演算子、丸め処理、修復メカニズム、または事後の制約修正に依存します。本論文は、この平坦化が「表現忠実性」を犠牲にすると主張します。

• 異なるトポロジー（例：離散整数対連続実数）を交換可能な座標として扱う。
• 特定データタイプに不適切な変異意味論を適用する（例：ブールスイッチにガウスノイズを加える）。
• 複素数記述子の代数的構造や、埋め込みベクトルの意味多様体を尊重しない。
• 無効な変異、非効率的な探索、脆弱な収束をもたらすことが多い。

2. 手法：ジェノ合成アルゴリズム（GSA）

ジェノ合成アルゴリズム（GSA）は、「タイプ分解された共進化最適化フレームワーク」として導入されます。単一の平坦化された染色体を進化させるのではなく、GSA は遺伝子型を、その表現タイプに基づいて均質または意味的に一貫した「遺伝子ファミリー」に分割します。

コアアーキテクチャ

1. タイプ付き積探索空間: 探索空間は、タイプ付き部分空間の積として定義されます（$\mathcal{G} = \mathcal{G}_1 \times \dots \times \mathcal{G}_K$）。ここで、各 $\mathcal{G}_k$ は特定のデータタイプ（例：$\mathbb{Z}^d$, $\mathbb{R}^d$, $\mathbb{B}^d$, $\mathbb{C}^d$、または埋め込み空間 $\mathcal{E}^d$）に対応します。
2. 並列部分集団進化: 各遺伝子ファミリーは、タイプ固有の進化演算子を用いて、独自の部分集団内で進化します。
   • 実数値: 微分進化、ガウス変異、または共分散適応。
   • 整数: 有界整数変異または順序保存交叉。
   • ブール: ビット反転変異またはマスク再結合。
   • 複素数: 絶対値と位相の別々の変異。
   • 埋め込み: 多様体認識摂動またはコサイン保存変異。
3. 表現型アセンブリ: 中央の「アセンブリ演算子」($\mathcal{A}$) が、進化させたサブゲノムを実行可能な完全な表現型に合成的に結合します。これは受動的なデコードステップではなく、タイプ間制約を強制し、ブールスイッチに基づいて遺伝子を活性化/非活性化し、最終システム（例：取引戦略や LLM プロンプト）をインスタンス化する能動的合成関数です。
4. 結合適応度評価: 組み立てられた表現型は、真の目的関数に対して評価されます。
5. クレジット割り当て: 適応度フィードバックは、コンポーネント部分集団へ伝播されます。本論文は 3 つの方式を評価します。
   • 直接バンドル: 完全な表現型の適応度を、参加するすべてのサブゲノムに割り当てます。
   • エリートコンテキスト: 他集団のエリート代表者に対してサブゲノムを評価します。
   • アンサンブルコンテキスト: 他集団からの複数のサンプリングされたコンテキストに対してサブゲノムを評価します。

スケジューリング

GSA は、同期進化（すべてのファミリーが世代ごとに進化）と非同期進化（ファミリーが独立した時計で進化）の両方をサポートします。後者は、遺伝子ファミリーの評価コストが異質である場合に有利です。

3. 主要な貢献

1. GSA の形式化: 明示的な表現型アセンブリ演算子を備えたタイプ付き積空間探索手順であり、標準的な混合変数最適化と区別されます。
2. アーキテクチャの到達範囲: GSA は、浮動小数点として表現できない遺伝子ファミリー、特に複素数記述子と埋め込みベクトルを最適化することが実証された唯一の手法です。平坦化エンコーディングはこれらの場合、決定論的に失敗します。
3. 実証的検証: 8 つの GSA 変種と 5 つのベースライン（平坦化 DE、平坦化 EA、協働共進化を含む）を、以下の領域で比較した再現可能な実証研究。
   • 6 つの合成ベンチマーク（タイプ付き加算、エピスタシス、欺瞞的、ノイズ、勾配活性化問題を含む）。
   • 外部のCOCO BBOB-MixIntスイート。
4. アブレーション洞察:
   • タイプ固有演算子: 性能に不可欠です。これらを汎用的なガウス変異に置き換えると、結果が著しく劣化します。
   • クレジット割り当て: 固定予算において、エリートコンテキストクレジットは常にアンサンブルコンテキストクレジットを上回ります。アンサンブル平均が常に優れているという直感に反する結果です。
   • アセンブリ戦略: 条件付き構造を必要とするベンチマークにおいて、能動的表現型アセンブリ（アセンブリ論理が入力をゲートする）は、受動的連結よりも統計的に優れています。
   • 非同期スケジューリング: 均一コストの問題における固定評価予算では最適ではありません。構造的遺伝子からリソースを再配分し、収束を妨げます。

4. 実証結果

本論文は、GSA の性能について、普遍的優越性の主張を避け、ニュアンスのある見解を示しています。

• アーキテクチャの到達範囲（H1）: 「タイプ付き混合勾配」ベンチマークにおいて、遺伝子ファミリーが複素数や埋め込みタイプを含むように拡大するにつれ、すべての平坦化ベースラインはクラッシュします。GSA だけが最適化を継続する唯一の手法です。
• 小規模予算（5,000 評価）: 滑らかな多ファミリー合成問題において、**平坦化微分進化（DE）**が依然として最も強力なベースラインです。GSA は（個別の部分集団進化とクレジット割り当てによる）反復ごとのオーバーヘッドを負い、厳格な予算内で達成可能な世代数を制限します。
• 外部スイートにおける大規模予算（100,000 評価）: COCO BBOB-MixInt スイートにおいて、性能の交差が発生します。100,000 回評価において、GSA_DIRECTは統計的に平坦化 DE と区別できなくなります（$\hat{A}_{12} = 0.499, p = 0.61$）。一方、平坦化 EA は順位を大幅に低下させます。これは、GSA のタイプ演算子の利点が時間とともに償却され、認識された外部ベンチマークにおいて最強のベースラインと同等の性能を発揮することを示唆しています。
• 単一ファミリー/ブールケース: GSA は、ブールのみ（OneMax）および単一ファミリーの実数値問題において、強力なベースラインと同等かそれ以上の性能を示し、異質性が存在しない場合に性能が劣化しないことを実証しています。

5. 意義と主張

本論文は、GSA を微分進化や遺伝的アルゴリズムの代替としてではなく、異質最適化のための専門化されたアーキテクチャとして位置づけています。

• 主要な主張: GSA の価値はアーキテクチャの到達範囲にあります。これは、平坦化エンコーディングでは表現できない遺伝子ファミリー（複素数、埋め込み）を含む設計対象の最適化を可能にします。
• 副次的な主張: 平坦化エンコーディングが可能な問題において、GSA は大規模評価予算（COCO スケール）で最強のベースライン（平坦化 DE）と同等の性能を提供し、EA スタイルのベースラインに対して優越性を示します。
• 期待値の精緻化: 本論文は、平坦化 DE がほぼ最適である小規模予算や滑らかな加算的ランドスケープにおいて GSA が支配的であるという考えを明確に否定します。代わりに、DE が強力なベンチマークでは破滅的な失敗ではなく優雅な劣化を示し、平坦化不可能な遺伝子タイプに対して唯一の実行可能な経路を提供すると主張します。

この手法は、機械学習ベースの投資システムWALLACEの開発から生まれましたが、著者らはその適用範囲が、プロンプト最適化（テキスト、ソフトプロンプト、ルーティング規則の混合）や大規模言語モデルシステムにおけるハイブリッド潜在空間を含む、現代の表現学習問題へと拡張されると論じています。