論文の概要: Sim2Schedule: A Simulator-Guided LLM Framework for Autonomous Open-Pit Mine Scheduling
- arxiv url: http://arxiv.org/abs/2606.10286v1
- Date: Tue, 09 Jun 2026 01:20:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.244136
- Title: Sim2Schedule: A Simulator-Guided LLM Framework for Autonomous Open-Pit Mine Scheduling
- Title（参考訳）: Sim2Schedule: 自動オープンパイプマイニングスケジューリングのためのシミュレータ誘導型LLMフレームワーク
- Authors: Mustavi Ibne Masum, Thiago Eustaquio Alves de Oliveira, Mahzabeen Emu,
- Abstract要約: 本研究では,シミュレータ駆動型Large Language Model (LLM)スケジューリングフレームワークを導入する。
このフレームワークは、クラウドベースの推論、ドメイン固有の微調整、再トレーニングなしで、完全な、解釈可能な抽出と処理スケジュールを生成する。
MILP最適NPVの94%から99%を回復し、線形にスケーリングする。
- 参考スコア（独自算出の注目度）: 1.529342790344802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-pit mine scheduling is a critical process for maximizing economic return under complex geotechnical and operational constraints. While Mixed-Integer Linear Programming (MILP) provides mathematically optimal baselines, its exponential computational complexity and inability to adapt in real time limit its practical deployment in dynamic industrial environments. This work introduces a simulator-driven Large Language Model (LLM) scheduling framework in which the LLM acts as an autonomous decision-making agent, guided at each step by a custom simulator that encodes geotechnical precedence, extraction-processing coupling, and dynamic capacity constraints directly into the action generation mechanism. Operating entirely zero-shot within a closed, data-secure environment, the framework produces complete, interpretable extraction and processing schedules without cloud-based inference, domain-specific fine-tuning, or retraining. To provide a trustworthy performance benchmark, a novel MILP formulation is developed that incorporates realistic operational and geotechnical constraints. Evaluated across mining instances of varying scale and time periods, the LLM-based framework recovers between 94\% and 99\% of the MILP optimal NPV while scaling linearly in computation time. These results position simulator-constrained LLM agents as a practical and scalable alternative to classical optimization for long-horizon industrial scheduling under complex operational constraints.
- Abstract（参考訳）: 露天地雷のスケジューリングは、複雑な地理的および運用上の制約の下で経済的なリターンを最大化するための重要なプロセスである。
Mixed-Integer Linear Programming (MILP) は数学的に最適なベースラインを提供するが、その指数的計算複雑性とリアルタイムで適応できないため、動的産業環境における実用的展開が制限される。
本研究では,LLMが自律的な意思決定エージェントとして機能するシミュレータ駆動の大規模言語モデル(LLM)スケジューリングフレームワークを導入する。
クローズドなデータセキュアな環境で完全にゼロショットを運用することで、クラウドベースの推論、ドメイン固有の微調整、再トレーニングなしで、完全かつ解釈可能な抽出と処理スケジュールを生成する。
現実的な運用上の制約とジオテクニカルな制約を取り入れた、新しいMILP定式化が開発された信頼性の高い性能ベンチマークを提供する。
LLMベースのフレームワークは、計算時間で線形にスケーリングしながら、MILP最適NPVの94\%から99\%を回復する。
これらの結果は、複雑な運用制約下での長期産業スケジューリングの古典的最適化の代替として、シミュレータ制約付きLLMエージェントを実用的かつスケーラブルに位置づけるものである。
関連論文リスト
- AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems [54.593031581486116]
本稿では,拡張性のある合成データ生成および強化学習パイプラインであるAutoORについて述べる。
AutoORは、標準最適化フォームから検証済みのトレーニングデータを生成し、RL後トレーニングの報奨信号としてソルバ実行フィードバックを使用する。
我々は、AutoORのような手法がAIによる工業的意思決定を著しく加速できると考えている。
論文 参考訳（メタデータ） (2026-04-18T03:24:54Z) - 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) - Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。
本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。
本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-02-10T14:17:53Z) - Reinforcement learning with timed constraints for robotics motion planning [0.5436465344481877]
本稿では,マルコフ決定プロセス (MDP) と部分観測可能なマルコフ決定プロセス (POMDP) の両方でポリシーを合成するための統一されたオートマトンベースのフレームワークを提案する。
単純だが表現力のある報酬構造は、時間的正しさを強制し、さらなるパフォーマンス目標を許容する。
その結果、提案フレームワークは、遷移条件下で厳密な時間制約を満たすポリシーを一貫して学習し、より大きな状態空間にスケールし、部分的に観測可能な環境において有効であることを実証した。
論文 参考訳（メタデータ） (2025-12-31T19:43:44Z) - A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints [0.0]
実世界の運用環境は、従来のスケジューリングアプローチの効率を低下させる追加の複雑さを導入します。
強化学習(RL)は、エージェントが適応的なスケジューリング戦略を学習できるようにするため、これらの課題に対処する可能性を秘めている。
本稿では,従来のJSSPの定式化を,主要な実世界の制約を組み込むことで拡張するモジュラーフレームワークを提案する。
JobShopLabは、研究開発と産業アプリケーションの両方のためのオープンソースのツールだ。
論文 参考訳（メタデータ） (2025-06-16T14:50:26Z) - Evaluating the Efficacy of LLM-Based Reasoning for Multiobjective HPC Job Scheduling [6.375075345747834]
ReActスタイルフレームワークを用いたLarge Language Model (LLM)ベースのスケジューラ(Reason + Act)
Systemはスクラッチパッドメモリを内蔵し、スケジューリング履歴を追跡し、自然言語のフィードバックを通じて決定を洗練する。
我々は,OpenAI の O4-Mini と Anthropic の Claude 3.7 を用いて,実世界の7つの HPC ワークロードシナリオに対してアプローチを評価した。
論文 参考訳（メタデータ） (2025-05-29T14:25:29Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - A Memetic Algorithm with Reinforcement Learning for Sociotechnical
Production Scheduling [0.0]
本稿では、フレキシブルジョブショップスケジューリング問題(DRC-FJSSP)に深層強化学習(DRL)を適用したメメティックアルゴリズムを提案する。
産業における研究プロジェクトから、フレキシブルマシン、フレキシブルなヒューマンワーカー、作業能力、セットアップと処理操作、材料到着時間、材料製造の請求書の並列タスク、シーケンス依存のセットアップ時間、人間と機械のコラボレーションにおける(一部)自動化タスクを検討する必要性を認識します。
論文 参考訳（メタデータ） (2022-12-21T11:24:32Z)
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。