論文の概要: An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2510.16701v1
• Date: Sun, 19 Oct 2025 03:59:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.099455
• Title: An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems
• Title（参考訳）: 複合車両経路問題の解法のためのLLMを用いたエージェント・フレームワーク
• Authors: Ni Zhang, Zhiguang Cao, Jianan Zhou, Cong Zhang, Yew-Soon Ong,
• Abstract要約: 複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
• 参考スコア（独自算出の注目度）: 66.60904891478687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex vehicle routing problems (VRPs) remain a fundamental challenge, demanding substantial expert effort for intent interpretation and algorithm design. While large language models (LLMs) offer a promising path toward automation, current approaches still rely on external intervention, which restrict autonomy and often lead to execution errors and low solution feasibility. To address these challenges, we propose an Agentic Framework with LLMs (AFL) for solving complex vehicle routing problems, achieving full automation from problem instance to solution. AFL directly extracts knowledge from raw inputs and enables self-contained code generation without handcrafted modules or external solvers. To improve trustworthiness, AFL decomposes the overall pipeline into three manageable subtasks and employs four specialized agents whose coordinated interactions enforce cross-functional consistency and logical soundness. Extensive experiments on 60 complex VRPs, ranging from standard benchmarks to practical variants, validate the effectiveness and generality of our framework, showing comparable performance against meticulously designed algorithms. Notably, it substantially outperforms existing LLM-based baselines in both code reliability and solution feasibility, achieving rates close to 100% on the evaluated benchmarks.
• Abstract（参考訳）: 複雑な車両ルーティング問題(VRP)は、意図の解釈とアルゴリズム設計のためにかなりの専門的な努力を必要とするため、依然として根本的な課題である。 大きな言語モデル(LLM)は自動化への有望な道を提供するが、現在のアプローチは依然として外部からの介入に依存している。 これらの課題に対処するために,複雑な車両ルーティング問題を解決するためのエージェントフレームワーク (AFL) を提案し,問題インスタンスからソリューションへの完全自動化を実現する。 AFLは、生の入力から知識を直接抽出し、手作りのモジュールや外部の解決器を使わずに、自己完結型のコード生成を可能にする。 信頼性を向上させるため、AFLはパイプライン全体を3つの管理可能なサブタスクに分解し、協調的な相互作用が相互機能的一貫性と論理的健全性を強制する4つの特殊エージェントを使用する。 標準ベンチマークから実用的な変種まで、60の複雑なVRPに関する大規模な実験は、我々のフレームワークの有効性と汎用性を検証し、綿密に設計されたアルゴリズムに対して同等のパフォーマンスを示す。 特に、既存のLCMベースのベースラインをコード信頼性とソリューション実現性の両方で大幅に上回り、評価されたベンチマークで100%に近い速度で達成します。

関連論文リスト

• Large Language Models as End-to-end Combinatorial Optimization Solvers [45.32050615257007]
  物流や製造などの意思決定シナリオの中心となる組合せ最適化(CO)問題は、伝統的に問題固有のアルゴリズムを使用して解決される。 既存のアプローチは、コード生成やソルバ呼び出しといった中間ステップに依存しており、その汎用性とアクセシビリティを制限している。 本稿では,大規模言語モデル(LLM)を,自然言語問題記述をソリューションに直接マッピングすることで,エンドツーエンドのCOソルバとして機能させる,新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-21T01:30:30Z)
• A Large Language Model-Enhanced Q-learning for Capacitated Vehicle Routing Problem with Time Windows [3.0518581575184225]
  本稿では、CVRPTW(Capacitated Vehicle Routing Problem with Time Windows)に対処する新しいQラーニングフレームワークを提案する。 我々のフレームワークは従来のQ-ラーニングに比べて平均7.3%のコスト削減を実現しており、収束に必要なトレーニングステップは少ない。
  論文  参考訳（メタデータ） (2025-05-09T16:45:43Z)
• ARS: Automatic Routing Solver with Large Language Models [19.975885289738688]
  本稿では,自動ルーティング解法の有効性を評価するために,24属性から派生した1000種類のVRPのベンチマークであるRoutBenchを紹介する。 RoutBenchとともに,Large Language Model (LLM) エージェントを用いてバックボーンアルゴリズムフレームワークを強化する自動ルーティングソルバー(ARS)を提案する。 ARSは最先端のLCMベースの手法と一般的に使用されるソルバより優れており、一般的なVRPの91.67%が自動的に解決され、すべてのベンチマークで少なくとも30%の改善が達成されている。
  論文  参考訳（メタデータ） (2025-02-21T10:14:55Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。