論文の概要: Automated Large-scale CVRP Solver Design via LLM-assisted Flexible MCTS

• arxiv url: http://arxiv.org/abs/2605.03339v1
• Date: Tue, 05 May 2026 04:00:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.753859
• Title: Automated Large-scale CVRP Solver Design via LLM-assisted Flexible MCTS
• Title（参考訳）: LLM支援フレキシブルMCTSによる大規模CVRPソルバーの自動設計
• Authors: Tong Guo, Caishun Chen, Yew Soon Ong,
• Abstract要約: 大規模言語モデル(LLM)は、自動アルゴリズム設計のための有望なツールとして登場した。 LLM支援型フレキシブルモンテカルロ木探索(LaF-MCTS)を提案する。
• 参考スコア（独自算出の注目度）: 36.338917495410406
• License: http://creativecommons.org/licenses/by/4.0/
• 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 struggle with LSCVRP primarily due to the difficulty in generating sophisticated search strategies within a limited context window. To bridge this gap, we propose the LLM-assisted Flexible Monte Carlo Tree Search (LaF-MCTS), a novel framework that automates the design of high-performance LSCVRP solvers. We develop a three-tier decision hierarchy to enable incremental design of decomposition policies and sub-solvers for LSCVRP. To enable efficient search within the algorithmic hypothesis space, we introduce semantic pruning to eliminate semantically and structurally redundant codes, and branch regrowth to regenerate codes and preserve diversity. Extensive experiments on CVRPLib demonstrate that LaF-MCTS autonomously composes and optimizes decomposition-enhanced solvers that surpasses various state-of-the-art CVRP solvers.
• Abstract（参考訳）: 数百から数千のノードで大規模なCVRP(LSCVRP)を解くことは、最先端の解決者でも難しい。 Divide-and-conquerはインスタンスをサイズの再現されたサブプロブレムに分解することでスケールすることができるが、分解ロジックを設計し、サブゾルバを設定することは非常に専門的かつ労働集約的である。 大規模言語モデル(LLM)は、自動アルゴリズム設計のための有望なツールとして登場した。 しかし、LSCVRPの既存のLLM駆動アプローチは、主に限られたコンテキストウィンドウ内で高度な検索戦略を生成するのが困難であるため、LSCVRPと競合する。 このギャップを埋めるために,高性能LSCVRPソルバの設計を自動化する新しいフレームワークであるLLM支援フレキシブルモンテカルロ木探索(LaF-MCTS)を提案する。 LSCVRPの分解ポリシーとサブソルバの漸進的設計を可能にする3層決定階層を構築した。 アルゴリズム仮説空間内で効率的な探索を可能にするために,意味的および構造的冗長なコードを排除するセマンティックプルーニングを導入し,コードの再生と多様性の保全のために分岐再成長を行う。 CVRPLibに関する大規模な実験により、LaF-MCTSは、様々な最先端のCVRPソルバを超える分解強化ソルバを自律的に構成し、最適化することを示した。

関連論文リスト

• Enhancing CVRP Solver through LLM-driven Automatic Heuristic Design [16.7839584177637]
  本研究では,Large Language Models (LLMs) を利用したCVRP問題解決に革命をもたらす新しいアプローチであるAILS-AHDを提案する。 提案手法は,進化的検索フレームワークをLLMと統合し,AILS法内の遺跡を動的に生成・最適化する。 当社のアプローチでは,CVRPLibの大規模ベンチマークにおいて,10インスタンス中8インスタンスに対して,新たに最もよく知られたソリューションを確立している。
  論文  参考訳（メタデータ） (2026-02-26T15:12:23Z)
• G-LNS: Generative Large Neighborhood Search for LLM-Based Automatic Heuristic Design [7.681872137995253]
  本稿では,Large Neighborhood Search(LNS)演算子を拡張した生成的進化的フレームワークを提案する。 G-LNSはLarge Language Models (LLMs)を活用して、密結合した破壊と修復のオペレータを共同開発する。 実験により、G-LNSは強力な古典解法と同様にLLMベースのAHD法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T04:13:35Z)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  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。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• Refining Hybrid Genetic Search for CVRP via Reinforcement Learning-Finetuned LLM [32.938753667649074]
  大型言語モデル (LLM) は、車両ルーティング問題 (VRP) の自動化デザイナーとして、ますます使われている。 この作業は、小さくて専門的なLLMが微調整された場合、先進的な解法の中で専門家が作り上げたものを超えるコンポーネントを生成できることを実証することによって、パラダイムに挑戦する。 高速クロスオーバー演算子を生成するために,小型LLMを微調整する新しい強化学習フレームワークRFTHGSを提案する。
  論文  参考訳（メタデータ） (2025-10-13T08:08:58Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)

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。