論文の概要: Optimizing Service Operations via LLM-Powered Multi-Agent Simulation
- arxiv url: http://arxiv.org/abs/2604.04383v1
- Date: Mon, 06 Apr 2026 03:14:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.075297
- Title: Optimizing Service Operations via LLM-Powered Multi-Agent Simulation
- Title（参考訳）: LLMを用いたマルチエージェントシミュレーションによるサービス運用の最適化
- Authors: Yanyuan Wang, Xiaowei Zhang,
- Abstract要約: サービス操作を最適化するためのLLMを用いたマルチエージェントシミュレーションフレームワークを提案する。
我々は、決定に依存した不確実性を伴う最適化として問題を提起する。
本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 1.2997358113120427
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Service system performance depends on how participants respond to design choices, but modeling these responses is hard due to the complexity of human behavior. We introduce an LLM-powered multi-agent simulation (LLM-MAS) framework for optimizing service operations. We pose the problem as stochastic optimization with decision-dependent uncertainty: design choices are embedded in prompts and shape the distribution of outcomes from interacting LLM-powered agents. By embedding key numerical information in prompts and extracting it from LLM-generated text, we model this uncertainty as a controlled Markov chain. We develop an on-trajectory learning algorithm that, on a single simulation run, simultaneously constructs zeroth-order gradient estimates and updates design parameters to optimize steady-state performance. We also incorporate variance reduction techniques. In a sustainable supply chain application, our method outperforms benchmarks, including blackbox optimization and using LLMs as numerical solvers or as role-playing system designers. A case study on optimal contest design with real behavioral data shows that LLM-MAS is both as a cost-effective evaluator of known designs and an exploratory tool that can uncover strong designs overlooked by traditional approaches.
- Abstract（参考訳）: サービスシステムのパフォーマンスは、参加者が設計上の選択にどう反応するかによって異なります。
サービス操作を最適化するためのLLM-MAS(LLM-MAS)フレームワークを提案する。
設計選択はプロンプトに埋め込まれ、LLMを動力とするエージェント間の相互作用の結果の分布を形作る。
キー数値情報をプロンプトに埋め込んでLLM生成テキストから抽出することにより、この不確実性を制御されたマルコフ連鎖としてモデル化する。
本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
分散低減技術も取り入れている。
持続可能なサプライチェーンアプリケーションでは,ブラックボックス最適化やLCMを数値解法やロールプレイングシステムデザイナとして用いるなど,ベンチマークよりも優れていた。
実行動データを用いた最適なコンテスト設計のケーススタディでは、LCM-MASは既知の設計のコスト効率評価と、従来のアプローチで見落とされた強い設計を明らかにするための探索ツールであることを示している。
関連論文リスト
- Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。
NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文 参考訳（メタデータ） (2026-04-01T03:39:11Z) - Human-LLM Collaborative Feature Engineering for Tabular Data [22.2647889885109]
大規模言語モデル(LLM)は、表型学習における機能工学の自動化にますます利用されている。
現在のアプローチでは、LLMをブラックボックスとして割り当て、操作の提案と選択の両方に責任を負う。
本稿では,人間-LLM協調機能エンジニアリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-28T21:33:42Z) - SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。
実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。
LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
論文 参考訳（メタデータ） (2025-11-01T19:57:38Z) - Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization [22.024630467760264]
サロゲート支援進化アルゴリズム(SAEA)は、コストのかかる最適化タスクに対処するための重要なツールである。
本稿では,大規模言語モデル (LLM) を統合した新しい手法 LLM-SAEA を提案する。
論文 参考訳（メタデータ） (2025-06-20T13:44:21Z) - Efficient Model Selection for Time Series Forecasting via LLMs [52.31535714387368]
本稿では,Large Language Models (LLM) をモデル選択の軽量な代替手段として活用することを提案する。
提案手法は, LLMの固有知識と推論能力を活用することで, 明示的な性能行列の必要性を解消する。
論文 参考訳（メタデータ） (2025-04-02T20:33:27Z) - 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) - Can Large Language Models Be Trusted as Evolutionary Optimizers for Network-Structured Combinatorial Problems? [8.431866560904753]
大規模言語モデル(LLM)は、言語理解とさまざまなドメイン間の推論において強力な能力を示している。
本研究では,問題構造に係わるLLMの能力を評価するための体系的枠組みを提案する。
我々は、よく使われる進化的手法(EVO)を採用し、LLM演算子の出力忠実度を厳格に評価する包括的評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-25T05:19:19Z) - EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。
多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。
最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-08T17:54:03Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。
我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文 参考訳（メタデータ） (2023-08-23T09:45:29Z)
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。