LLM 보조 유연 몬테카를로 트리 탐색(LaF-MCTS)을 통해 대규모 차량 경로 문제(LSCVRP) 해결기를 자동으로 설계하는 프레임워크를 제안한다. 3계층 의사결정 계층 구조로 분해 정책과 하위 해결기를 점진적으로 설계하며, 의미론적 가지치기와 가지 재성장으로 효율적인 탐색을 지원한다. CVRPLib 실험에서 다양한 최신 CVRP 해결기를 능가하는 분해 강화 해결기를 자율적으로 구성함을 입증했다.
- •LaF-MCTS는 LLM을 활용해 대규모 CVRP 해결기 설계를 자동화하는 새로운 프레임워크다.
- •3계층 의사결정 계층 구조로 분해 정책과 하위 해결기를 점진적으로 설계할 수 있다.
- •의미론적 가지치기로 중복 코드를 제거하고 가지 재성장으로 다양성을 유지해 효율적인 탐색을 지원한다.
- •CVRPLib 실험에서 최신 CVRP 해결기를 능가하는 분해 강화 해결기를 자율적으로 설계함을 확인했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Automated Large-scale CVRP Solver Design via LLM-assisted Flexible MCTS
- 1.LLM 지원 유연 MCTS인 LaF-MCTS로 대규모 CVRP 솔버를 자동 설계
- 2.3계층 결정 계층 구조로 분해 정책과 서브 솔버를 점진적으로 설계
- 3.의미 가지치기와 가지 재성장으로 탐색 다양성 유지, CVRPLib에서 SOTA 초과
왜 중요한가?
수백~수천 노드 규모의 대형 배송 최적화 문제를 LLM이 알고리즘 설계까지 자동화함으로써, 물류·공급망 분야의 AI 기반 자동화 가능성을 크게 넓힌다.
언급 프로젝트
본문 미리보기
arXiv:2605.03339v1 Announce Type: new Abstract: Solving large-scale CVRP (LSCVRP) with hundreds to thousands of nodes remains difficult for even state-of-the-art solvers. Divide-and-conquer can scale by decomposing the instance into size-reduced subproblems, but designing decomposition logic and configuring sub-solvers is highly expertise- and labor-intensive. Large Language Models (LLMs) have emerged as promising tools for automated algorithm design. However, existing LLM-driven approaches str
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
