COAgents는 차량 라우팅 문제(VRP)를 그래프로 모델링하는 협력적 다중 에이전트 프레임워크로, 노드는 해법을, 엣지는 지역 정제 또는 점프를 나타낸다. 노드 선택, 이동 선택, 점프 에이전트 세 종류가 집중 탐색과 다양화를 각각 담당한다. 문제 무관 탐색 제어와 도메인 특화 인코딩을 명확히 분리하여 다양한 과제에 적응성이 높다. VRPTW 벤치마크에서 학습 기반 방법 중 최고 성능을 달성하며 N=100에서 최강 신경 솔버 대비 격차를 14% 줄였다.
- •COAgents는 부분 탐색 그래프(PSG)를 동적으로 구성하여 노드 선택, 이동 선택, 점프 에이전트가 협력하는 프레임워크다.
- •VRPTW N=100에서 최강 신경 솔버(POMO) 대비 14%, N=50에서 44% 격차를 축소하였다.
- •문제 무관 탐색 제어와 도메인 특화 인코딩을 분리하여 CVRP와 VRPTW 모두에 적응 가능하다.
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.
COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space
- 1.차량 경로 문제(VRP)를 그래프로 모델링하는 협력 멀티에이전트 프레임워크 COAgents 제안
- 2.노드 선택·이동 선택·점프 에이전트를 분리해 탐색 제어와 도메인 인코딩을 독립적으로 운용
- 3.VRPTW 벤치마크에서 학습 기반 방법 중 최고 성능(N=100에서 최적 해 대비 갭 14% 감소)
왜 중요한가?
조합 최적화 문제에 학습 기반 멀티에이전트 방식을 적용해 기존 신경망 솔버 대비 성능을 크게 향상시킨 실용적 연구다.
언급 프로젝트
본문 미리보기
arXiv:2605.20618v1 Announce Type: new Abstract: Although Vehicle Routing Problems (VRP) are essential to many real-world systems, they remain computationally intractable at scale due to their combinatorial complexity. Traditional heuristics rely on handcrafted rules for local improvements and occasional \textit{jumps} to escape local minima, but often struggle to generalize across diverse instances. We introduce \textbf{COAgents}, a cooperative multi-agent framework that models the search proce
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
