論文の概要: Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization

• arxiv url: http://arxiv.org/abs/2604.17708v1
• Date: Mon, 20 Apr 2026 01:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.650791
• Title: Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization
• Title（参考訳）: 自動最適化のための共進化エージェントアーキテクチャと解釈可能な推論
• Authors: Jiahao Huang, Peilan Xu, Xiaoya Nan, Wenjian Luo,
• Abstract要約: 大規模言語モデル(LLM)を用いた操作研究は、手作業による推論によって制限されている。 自動最適化のための共進化的フレームワークであるEvoOR-Agentを提案する。 ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフによる推論-軌道探索が、性能改善と構造的解釈可能性の両方に寄与していることを示している。
• 参考スコア（独自算出の注目度）: 6.428928591765431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating operations research (OR) with large language models (LLMs) remains limited by hand-crafted reasoning--execution workflows. Complex OR tasks require adaptive coordination among problem interpretation, mathematical formulation, solver selection, code generation, and iterative debugging. To address this limitation, we propose EvoOR-Agent, a co-evolutionary framework for automated optimization. The framework represents agent workflows as activity-on-edge (AOE)-style networks, making workflow topology, execution dependencies, and alternative reasoning paths explicit. On this representation, the framework maintains an architecture graph and evolves a population of reasoning individuals through graph-mediated path-conditioned recombination, multi-granularity semantic mutation, and elitist population update. A knowledge-base-assisted experience-acquisition module further injects reusable OR practices into initialization and semantic variation. Empirical results on heterogeneous OR benchmarks show that the proposed framework consistently improves over zero-shot LLMs, fixed-pipeline OR agents, and representative evolutionary agent frameworks. Case studies and ablation analyses further indicate that explicit architecture evolution and graph-supported reasoning-trajectory search contribute to both performance improvement and structural interpretability. These results suggest that treating agent architectures and reasoning trajectories as evolvable objects provides an effective route toward adaptive and interpretable automated optimization.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いた操作研究(OR)の自動化は、手作業による推論-実行ワークフローによって制限されている。 複雑なORタスクは、問題解釈、数学的定式化、ソルバ選択、コード生成、反復デバッグの間で適応的な調整を必要とする。 この制限に対処するため,自動最適化のための進化的フレームワークであるEvoOR-Agentを提案する。 このフレームワークは、エージェントワークフローをアクティビティ・オン・エッジ(AOE)スタイルのネットワークとして表現し、ワークフロートポロジ、実行依存性、代替の推論パスを明確にする。 この表現に基づいて、このフレームワークはアーキテクチャグラフを保持し、グラフを介する経路条件の組換え、多粒性意味突然変異、エリート主義集団の更新を通じて、個人を推論する個体群を進化させる。 知識ベース支援エクスペリエンス獲得モジュールは、再利用可能なORプラクティスをさらに初期化と意味的バリエーションに注入する。 異種ORベンチマークにおける実験結果から,提案手法はゼロショットLLM,固定ピペリンORエージェント,代表的な進化エージェントフレームワークよりも一貫して改善されている。 ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフによる推論-軌道探索が、性能改善と構造的解釈可能性の両方に寄与することを示している。 これらの結果は,エージェントアーキテクチャと推論軌道を進化可能なオブジェクトとして扱うことにより,適応的かつ解釈可能な自動最適化への有効な経路が提供されることを示唆している。

関連論文リスト

• CODMAS: A Dialectic Multi-Agent Collaborative Framework for Structured RTL Optimization [5.592208774984063]
  CODMASは、構造化弁証法とドメイン認識コード生成と決定論的評価を組み合わせたフレームワークである。 120のVerilogトリプル(最適化されていない、最適化された、テストベンチ)のベンチマークであるRTLOPTを導入し、パイプライン化とクロックゲーティング変換を行った。
  論文  参考訳（メタデータ） (2026-03-17T23:10:07Z)
• AI Agent for Reverse-Engineering Legacy Finite-Difference Code and Translating to Devito [0.0]
  本研究では,従来の有限差分実装のDevito環境への変換を容易にする統合AIフレームワークを開発する。 Retrieval-Augmented Generation (RAG)とオープンソースのLarge Language Modelsは、システムのハイブリッドLangGraphアーキテクチャにおいて、マルチステージ反復によって結合される。
  論文  参考訳（メタデータ） (2026-01-26T11:31:00Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing [0.0]
  本稿では,複合エージェントAIとマルチエージェントフレームワークを,規範的メンテナンスユースケースに適用する。 提案するフレームワークは、認識層、前処理層、分析層、最適化層からなる階層アーキテクチャを採用している。 特殊エージェントは、スキーマ発見、インテリジェントな特徴分析、モデル選択、規範最適化を自律的に処理する。 最初の概念実証は、2つの工業生産データセットで検証される。
  論文  参考訳（メタデータ） (2025-11-23T03:06:23Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
  HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。 対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
  論文  参考訳（メタデータ） (2025-08-29T18:51:18Z)
• Who Sees What? Structured Thought-Action Sequences for Epistemic Reasoning in LLMs [1.090218572228214]
  本研究では,LLMをベースとしたReActフレームワークの性能向上のための構造化例の可能性について検討した。 本稿では、最適ゴールパス(G型)、情報ノードパス(E型)、ステップバイステップの最適決定シーケンス(L型)の3つのカテゴリの例を生成する、構造化された解処理パイプラインを提案する。 L型の例は、明確化要求と全体的なアクションステップをわずかに削減するが、一貫性のある改善は得られない。
  論文  参考訳（メタデータ） (2025-08-20T09:36:53Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)

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。