論文の概要: Adaptive Cluster-First Route-Second Decomposition for Industrial-Scale Vehicle Routing

• arxiv url: http://arxiv.org/abs/2606.31820v1
• Date: Tue, 30 Jun 2026 15:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.286061
• Title: Adaptive Cluster-First Route-Second Decomposition for Industrial-Scale Vehicle Routing
• Title（参考訳）: 産業用車両ルーティングのための適応クラスタファースト経路2次分解
• Abstract要約: 本稿では,分解手順を反復的決定過程として定式化する適応型CFRSシステムを提案する。 近年の大規模言語モデル(LLM)の推論とツール選択の成功に触発され、LLMをハイレベルな意思決定者として採用している。 最大50万の顧客を含む合成およびベンチマーク由来のCVRPインスタンスに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 2.3204178451683264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale capacitated vehicle routing problems (CVRPs) are commonly addressed using cluster-first route-second (CFRS) approaches that split a routing instance into smaller, computationally tractable subproblems. Existing splitting methods typically rely on fixed partitioning rules, predefined optimization objectives, or learned policies, which may perform inconsistently across instances exhibiting different spatial, demand, and operational characteristics. In this work, we propose an adaptive CFRS system that formulates a decomposition procedure as an iterative decision-making process. Motivated by the recent success of large language models (LLMs) in reasoning and tool selection, the system employs an LLM as a high-level decision maker that analyzes the evolving decomposition state and selectively applies further clustering, balancing, and refinement operators. The proposed algorithm jointly partitions customers and vehicles, enabling capacity-aware clustering while adapting partitioning decisions to the characteristics of each problem. We evaluate the approach on synthetic and benchmark-derived CVRP instances containing up to 500,000 customers. Experimental results demonstrate competitive performance on benchmark-scale instances while exhibiting improved scalability and robust routing quality on substantially larger problems. These results highlight the potential of adaptive, LLM-guided decision support as a practical approach for industrial-scale vehicle routing and large-scale logistics planning.
• Abstract（参考訳）: 大規模キャパシタン化車両ルーティング問題(CVRP)は、クラスタファースト経路秒(CFRS)アプローチを用いて、ルーティングインスタンスをより小さく、計算可能なサブプロブレムに分割することで、一般的に対処される。 既存の分割法は通常、固定された分割ルール、事前定義された最適化目標、あるいは学習されたポリシーに依存しており、異なる空間的、要求、運用特性を示すインスタンス間で矛盾なく機能する可能性がある。 本研究では,分解過程を反復的決定過程として定式化する適応型CFRSシステムを提案する。 近年の大規模言語モデル(LLM)の推論とツール選択の成功に触発され、LLMを高レベルな意思決定者として採用し、進化する分解状態を分析し、さらにクラスタリング、バランシング、洗練された演算子を選択的に適用する。 提案アルゴリズムは顧客と車両を共同で分割し,各問題の特徴に分割決定を適用しつつ,キャパシティを考慮したクラスタリングを可能にする。 最大50万の顧客を含む合成およびベンチマーク由来のCVRPインスタンスに対するアプローチを評価する。 ベンチマークスケールのインスタンス上での競合性能を実証し、スケーラビリティとロバストなルーティング品質が大幅に向上した。 これらの結果は,産業用車両ルーティングと大規模物流計画のための実践的アプローチとして,LLM誘導型意思決定支援の可能性を強調した。

関連論文リスト

• ASPaeroFlow: Decomposition Heuristics for Joint Air Traffic Flow & Capacity Management [60.85136195443409]
  エアトラヒックフロー・キャパシティマネジメント(ATFCM)のためのASPaeroFlowを提案する。 インスタンス空間の分解と、Answer Set Programmingを使った局所的な正確なアプローチを組み合わせる。 私たちはASPaeroFlowを小さなインスタンスから業界規模のインスタンスにベンチマークし、それを正確で代替的なアプローチと比較します。
  論文  参考訳（メタデータ） (2026-08-10T08:57:18Z)
• Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
  本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。 筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。 これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
  論文  参考訳（メタデータ） (2026-06-29T12:30:24Z)
• 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)
• Adaptive decision-making for stochastic service network design [1.2154569665167423]
  本稿では,マルチモーダル貨物輸送ネットワークで動作するロジスティクスサービスプロバイダ(LSP)のサービスネットワーク設計(SND)問題に対処する。 メタヒューリスティックス、シミュレーション、機械学習コンポーネントを組み合わせた2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2026-03-25T14:51:57Z)
• Multi-Agent DRL for V2X Resource Allocation: Disentangling Challenges and Benchmarking Solutions [51.22818149833102]
  マルチエージェント強化学習(MARL)は、車間通信(C-V2X)ネットワークにおける無線リソース割り当ての有望なアプローチとして登場した。 しかし、MARLに固有の多面的課題はしばしば絡み合っており、車載環境における個々の影響を理解することは困難である。 我々は, C-V2X RRA を, 複雑さが徐々に増大する多エージェント干渉ゲーム列として定式化し, このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-18T14:46:56Z)
• VAGPO: Vision-augmented Asymmetric Group Preference Optimization for Graph Routing Problems [27.70647397895125]
  グラフルーティング問題は、グラフ間の最適な経路を見つけることが不可欠であるWeb関連ネットワークにおいて重要な役割を果たす。 最近のデータ駆動最適化手法は大きな進歩を遂げているが、訓練効率と大規模インスタンスへの一般化の限界に直面していることが多い。 本稿では,空間構造と時間的依存関係の両方をキャプチャする,視覚拡張型非対称グループ優先最適化(VAGPO)手法を提案する。
  論文  参考訳（メタデータ） (2025-08-03T14:19:12Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• From approximation error to optimality gap -- Explaining the performance impact of opportunity cost approximation in integrated demand management and vehicle routing [0.0]
  本稿では,近似誤差の大きさ,即時の影響,および状態空間の特定の領域におけるそれらの関連性を定量化し,可視化する説明可能性手法を提案する。 本手法を一般のi-DMVRPに適用することにより,アルゴリズム性能の説明に寄与し,アルゴリズムの選択と開発プロセスのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-12-18T13:46:46Z)
• Making Large Language Models Better Planners with Reasoning-Decision Alignment [70.5381163219608]
  マルチモーダリティ強化LLMに基づくエンドツーエンド意思決定モデルを提案する。 ペア化されたCoTと計画結果との推論・決定アライメントの制約を提案する。 提案する大規模言語プランナをRDA-Driverとして推論・決定アライメントする。
  論文  参考訳（メタデータ） (2024-08-25T16:43:47Z)
• Towards a connection between the capacitated vehicle routing problem and the constrained centroid-based clustering [1.3927943269211591]
  実用的なランタイムにおける車両ルーティングの効率的な解決は、デリバリ管理企業にとって重要な課題である。 本稿では,CVRPとCCBC(Constrainedid-Based Clustering)の理論的および実験的関係について検討する。 提案するフレームワークは,3つの段階から構成される。第1段階では,制約付きセントロイドベースのクラスタリングアルゴリズムが,ユーザの実現可能なクラスタを生成する。
  論文  参考訳（メタデータ） (2024-03-20T22:24:36Z)
• Spatial-temporal-demand clustering for solving large-scale vehicle routing problems with time windows [0.0]
  本稿では,クラスタリングを用いて顧客をグループ化するDRI(Decompose-route-improve)フレームワークを提案する。 その類似度基準は、顧客の空間的、時間的、需要データを含む。 本研究では,解答サブプロブレム間でプルーンド局所探索(LS)を適用し,全体の解法を改善する。
  論文  参考訳（メタデータ） (2024-01-20T06:06:01Z)
• Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
  我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。 提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-26T02:43:28Z)
• An adaptive data-driven approach to solve real-world vehicle routing problems in logistics [0.0]
  輸送は物流費の3分の1を占める。 本研究は、ロジスティクス分野における実世界のルーティング車両問題(VRP)を解決するための適応型データ駆動型革新的なモジュラーアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-05T17:47:41Z)

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。