論文の概要: Large Language Model for Operations Research Formulation Selection in Multi-Warehouse Inventory Allocation
- arxiv url: http://arxiv.org/abs/2607.25956v1
- Date: Tue, 28 Jul 2026 16:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.921328
- Title: Large Language Model for Operations Research Formulation Selection in Multi-Warehouse Inventory Allocation
- Title（参考訳）: マルチワアハウスインベントリ配置における運用研究定式化のための大規模言語モデル
- Abstract要約: 単一定式化は、需要集中、在庫不均衡、補充スケール、サービス制約、予測ボラティリティによって誘導される不均一なインスタンスレベルのレギュレーションと一貫して一致しない。
本稿では,この課題を,各割り当てインスタンスを候補OR専門家ライブラリから解法実行可能な定式化に割り当てる,インスタンスワイドオペレーション研究(OR)の定式化選択として検討する。
本稿では,OR の定式化選択のための解法誘導型大言語モデル (LLM) フレームワークを提案し,各 OR 専門家が異なるアロケーション優先度を符号化した MIP の定式化に対応する。
- 参考スコア（独自算出の注目度）: 1.1965825585921974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-warehouse inventory allocation is typically formulated as a mixed-integer programming (MIP) problem, yet no single formulation consistently matches heterogeneous instance-level regimes induced by demand concentration, inventory imbalance, replenishment scale, service constraints, and forecast volatility. We study this issue as instance-wise operations research (OR) formulation selection, where each allocation instance is assigned to a solver-executable formulation from a candidate OR expert library. We propose a solver-guided large language model (LLM) framework for OR formulation selection, in which each OR expert corresponds to a MIP formulation encoding a distinct allocation priority. To train the selector, the framework first constructs balanced expert-conditioned supervised fine-tuning (SFT) records for schema learning, and then uses MIP solver evaluation on historical instances to convert solver-evaluated allocation-quality gaps into margin-weighted identity preference optimization (IPO) preferences and per-instance expert-score metadata for reward lookup during group relative policy optimization (GRPO) to assign rewards to sampled responses. Experiments on multi-warehouse inventory allocation instances from JD$\mathord{.}$com, one of China's largest e-retailers, demonstrate that GRPO substantially improves expert-selection accuracy relative to the SFT+IPO selector and, more importantly, produces higher realized allocation quality than both the preference-trained selector and the best fixed formulation. With GRPO, Hit Ratio@1 and Hit Ratio@2 increase from 21.45% to 50.42% and from 70.47% to 82.31%. The resulting selector achieves an allocation accuracy gain of 12.57 percentage points over the incumbent baseline, outperforming both the SFT+IPO selector and the best fixed OR expert, and reduces the gap to the ex-post oracle to 4.85 percentage points.
- Abstract（参考訳）: マルチウェアハウス在庫配分は通常、混合整数計画(MIP)問題として定式化されるが、需要集中、在庫不均衡、補充スケール、サービス制約、予測ボラティリティによって誘導される不均一なインスタンスレベル体制に一貫した定式化はない。
本稿では,この問題を,各割り当てインスタンスを,候補OR専門家ライブラリから解法実行可能な定式化に割り当てる,ケースワイズ操作研究(OR)の定式化選択として検討する。
本稿では,OR の定式化選択のための解法誘導型大言語モデル (LLM) フレームワークを提案し,各 OR 専門家が異なるアロケーション優先度を符号化した MIP の定式化に対応する。
セレクタをトレーニングするために、フレームワークはまず、スキーマ学習のためのバランス付きエキスパート条件付き教師付き微調整(SFT)レコードを構築し、次いで、過去のインスタンス上でのMIPソルバ評価を用いて、ソルバ評価されたアロケーション品質のギャップをマージン重み付きアイデンティティ優先最適化(IPO)に変換し、グループ相対ポリシー最適化(GRPO)中に報酬検索のための専門家スコアメタデータをグループ相対ポリシー最適化(GRPO)に割り当て、サンプル応答に報酬を割り当てる。
JD$\mathord{.} のマルチウェアハウス在庫配分インスタンスの実験
中国最大のe小売業者の1つである*$comは、GRPOがSFT+IPOセレクタと比較して専門家選択精度を大幅に向上し、さらに重要なことは、選好訓練されたセレクタと最高の定式化の両方よりも高い実現されたアロケーション品質を生み出すことを実証している。
GRPOでは、Hit Ratio@1とHit Ratio@2は21.45%から50.42%に増加し、70.47%から82.31%に増加した。
得られたセレクタは、既存のベースラインに対して12.57パーセンテージのアロケーション精度ゲインを達成し、SFT+IPOセレクタと最高の固定ORエキスパートの両方を上回り、ポストオラクルとのギャップを4.85パーセンテージポイントに削減する。
関連論文リスト
- Solver-Verified Formulation Generation and Selection for Multi-Warehouse Inventory Allocation Using Large Language Models [1.0753371929354276]
本稿では, OR の定式化の生成, 検証, 選択にソルバフィードバックを用いる OR-guided Large Language Model (LLM) を提案する。
我々は、偏差最小化、ソフトバンドコンプライアンス、knapsackにインスパイアされたアロケーションに基づく3つの相補的混合整数プログラミング定式化ファミリを開発する。
最高の単一ORの定式化では、既存のアプローチよりも割り当て精度が3.4ポイント向上し、完全なORLAフレームワークは4.5ポイントの全体的な改善を実現している。
論文 参考訳（メタデータ） (2026-06-28T12:18:44Z) - Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。
次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。
大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
論文 参考訳（メタデータ） (2026-06-20T07:52:46Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - From Instance Selection to Fixed-Pool Data Recipe Search for Supervised Fine-Tuning [19.659110958894335]
Supervised Fine-tuning (SFT) データ選択は、一般的にインスタンスランキングとして定式化される。
効果的なSFTトレーニングサブセットは、しばしば順序づけられたキュレーションレシピによって生成される。
キャッシュされたタスク、データ、モデル側信号に基づいて、固定プールの実体化を分離する2層解法であるAutoSelectionを導入する。
論文 参考訳（メタデータ） (2026-05-13T03:27:21Z) - HiPO: Hierarchical Preference Optimization for Adaptive Reasoning in LLMs [2.497936211748472]
応答をセグメントに分割し,各セグメントに対するDPO損失の重み付け和として損失を算出するDPOの拡張であるHiPOを提案する。
提案手法は,DPOの計算効率と訓練安定性を維持しつつ,セグメント固有の訓練を可能にする。
また,Math Stack Exchange の選好データセット上で,HiPO と DPO を用いて微調整された複数の 7B LLM に対して,HiPO を用いて訓練したモデルが,様々な一般的なベンチマークで他のモデルより優れていることを示す。
論文 参考訳（メタデータ） (2026-04-22T03:08:30Z) - GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization [133.27496265096445]
我々は,グループ相対的政策最適化を,その適合性を検討することなく,マルチリワード設定で適用する方法を示す。
次に、これらの問題を解決するための新しい政策最適化手法であるグループ報酬分離正規化政策最適化(GDPO)を紹介する。
GDPOはGRPOを一貫して上回り、マルチリワード強化学習最適化の有効性と一般化性を示す。
論文 参考訳（メタデータ） (2026-01-08T18:59:24Z) - Assignment-Routing Optimization: Solvers for Problems Under Constraints [0.0]
我々は、アイテムを1対1でプレースホルダーに割り当てなければならないJRA(Joint Routing-Assignment)問題について検討する。
よりリッチな制約付きパッケージング計画シナリオに適した解法を開発した。
以上の結果から, ロボット包装, 運動計画, 複合物流におけるMIPに基づくJRA最適化の実用性を強調した。
論文 参考訳（メタデータ） (2025-12-21T06:32:31Z) - Automatic Policy Search using Population-Based Hyper-heuristics for the Integrated Procurement and Perishable Inventory Problem [3.4792548480344245]
我々は,このマルチイテム・マルチサプライヤ問題に対する2つの最適化戦略を比較するために,離散イベントシミュレーション環境を開発する。
12の異なる事例から得られた結果は、超ヒューリスティックなフレームワークが常に優れたポリシーを識別していることを示している。
論文 参考訳（メタデータ） (2025-11-02T01:27:52Z) - MUSS: Multilevel Subset Selection for Relevance and Diversity [4.8254343133177295]
レコメンデーションシステムでは、さまざまなレコメンデーションを提供しながら、関連する項目を選択することに興味がある。
本稿では,このタイプの問題を解析するための新しい理論的アプローチを提案し,その手法が最適目的の定数係数近似を実現することを示す。
論文 参考訳（メタデータ） (2025-03-14T06:37:17Z) - Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。
本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
論文 参考訳（メタデータ） (2025-01-15T04:09:21Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。
過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。
報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
論文 参考訳（メタデータ） (2024-05-26T05:38:50Z)
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。