論文の概要: Guiding Large Language Models with Genetic Programming-Evolved Heuristic Knowledge for Dynamic Multi-Mode Project Scheduling
- arxiv url: http://arxiv.org/abs/2607.27698v1
- Date: Thu, 30 Jul 2026 05:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.404259
- Title: Guiding Large Language Models with Genetic Programming-Evolved Heuristic Knowledge for Dynamic Multi-Mode Project Scheduling
- Title（参考訳）: 遺伝的プログラミングによる大規模言語モデルの指導-動的マルチモード計画計画のためのヒューリスティック知識-
- Abstract要約: 遺伝的プログラミング(GP)超ヒューリスティックスはそのような規則を自動的に進化させることができる。
LLMはスケジューリング情報を解釈し、意思決定を説明するフレキシブルなインターフェースを提供する。
我々はGP進化型ルールを用いてオンラインLLM意思決定をガイドする。
- 参考スコア（独自算出の注目度）: 6.835074198877901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In dynamic multi-mode project scheduling, activities have alternative execution modes and uncertain durations, while precedence relations and limited resources constrain their execution. Heuristic priority rules support fast online decisions, but their design requires substantial domain expertise. Genetic programming (GP) hyper-heuristics can automatically evolve such rules. Large language models (LLMs), meanwhile, provide a flexible interface for interpreting scheduling information and explaining decisions. However, zero-shot LLM decisions may lack domain knowledge, consume many tokens, and vary across repeated queries. GP-evolved rules therefore provide a potential source of scheduling knowledge for guiding LLM decisions. Unlike existing LLM--GP hybrids that use LLMs to support heuristic evolution, we transfer knowledge in the reverse direction, using knowledge extracted from high-quality GP rules to guide an online LLM decision maker. We extract knowledge from high-quality GP rules and inject it through Feature Selection, Feature Hint, Rule Reference, and Rule Follow. These mechanisms are evaluated in terms of scheduling performance, token consumption, decision stability, and the feature focus expressed in generated rationales. GP-derived guidance generally improves the unguided LLM, but its representation matters. Simplifying the decision context or supplying explicit decision logic is more effective than highlighting important features. Feature Selection offers the best token efficiency, whereas Rule Follow achieves strong performance at greater token cost. Guidance also improves decision stability and changes the features expressed in generated rationales.
- Abstract（参考訳）: 動的マルチモードプロジェクトスケジューリングでは、アクティビティは別の実行モードと不確実な期間を持ち、優先順位関係と限られたリソースは実行を制限する。
ヒューリスティックな優先ルールは、高速なオンライン決定をサポートするが、その設計には相当な専門知識が必要である。
遺伝的プログラミング(GP)超ヒューリスティックスはそのような規則を自動的に進化させることができる。
一方、大規模言語モデル(LLM)は、スケジューリング情報を解釈し、決定を説明するフレキシブルなインターフェースを提供する。
しかし、ゼロショットのLCM決定はドメイン知識を欠き、多くのトークンを消費し、繰り返しクエリによって異なる可能性がある。
したがって、GPに進化した規則は、LLM決定を導くためのスケジューリング知識の潜在的な源泉となる。
ヒューリスティックな進化を支援するためにLLMを用いた既存のLLM-GPハイブリッドとは異なり、高品質なGPルールから抽出した知識を用いて逆方向の知識を伝達し、オンラインLLM意思決定を導く。
高品質GPルールから知識を抽出し,特徴選択,特徴強調,ルール参照,ルールフォローを通じて注入する。
これらのメカニズムは、スケジューリング性能、トークン消費、決定安定性、および生成された有理数で表される特徴焦点の観点から評価される。
GP由来のガイダンスは一般に無誘導LLMを改善するが、その表現は重要である。
決定コンテキストの簡略化や明確な決定ロジックの提供は、重要な特徴を強調するよりも効果的です。
機能選択は最高のトークン効率を提供するが、Strategy Followはより高いトークンコストで高いパフォーマンスを達成する。
ガイドはまた、意思決定の安定性を改善し、生成された合理性で表される特徴を変更します。
関連論文リスト
- DecisionLLM: Large Language Models for Long Sequence Decision Exploration [26.033533195580933]
大規模言語モデル(LLM)は複雑な推論や計画タスクにおいて顕著な成功を収めた。
本研究では,LLMのオフライン意思決定タスクへの適用について検討する。
トラジェクトリデータを自然言語のタスク記述と整合させることで、我々のモデルは将来的な決定を自動回帰的に予測できる。
論文 参考訳（メタデータ） (2026-01-15T07:42:02Z) - Feedback-Induced Performance Decline in LLM-Based Decision-Making [6.5990946334144756]
大規模言語モデル(LLM)は、自然言語の問題記述からコンテキストを抽出することができる。
本稿では,マルコフ決定過程(MDP)におけるこれらのモデルの挙動について考察する。
論文 参考訳（メタデータ） (2025-07-20T10:38:56Z) - INFERENCEDYNAMICS: Efficient Routing Across LLMs through Structured Capability and Knowledge Profiling [44.309917620936474]
InferenceDynamicsは、モデルの能力と知識をモデル化することによって、柔軟でスケーラブルな多次元ルーティングフレームワークである。
包括的データセットであるRouteMixで運用し、グループレベルのルーティングの有効性と一般化性を実証する。
論文 参考訳（メタデータ） (2025-05-22T06:56:51Z) - LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。
LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。
LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
論文 参考訳（メタデータ） (2025-02-15T02:55:22Z) - LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。
LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。
これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
論文 参考訳（メタデータ） (2025-01-30T22:21:12Z) - Embodied CoT Distillation From LLM To Off-the-shelf Agents [6.318203525449058]
DeDerは、大規模言語モデル(LLM)から具体的推論能力を分解し、蒸留するためのフレームワークである。
ALFREDベンチマークによる我々の実験は、DeDerが先進的な言語計画と蒸留アプローチを超越していることを示している。
論文 参考訳（メタデータ） (2024-12-16T07:18:02Z) - Optimal Decision Making Through Scenario Simulations Using Large Language Models [0.0]
大規模言語モデル(LLM)は、複雑な問題へのアプローチと解決の方法を変えました。
本稿では,この能力ギャップを橋渡しする革新的な手法を提案する。
LLMがユーザから複数のオプションとそれぞれのパラメータをリクエストできるようにすることで、動的フレームワークを導入しています。
この関数は提供された選択肢を分析し、潜在的な結果をシミュレートし、最も有利な解を決定するように設計されている。
論文 参考訳（メタデータ） (2024-07-09T01:23:09Z) - Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。
LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。
本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
論文 参考訳（メタデータ） (2024-06-20T13:08:09Z) - One Token Can Help! Learning Scalable and Pluggable Virtual Tokens for Retrieval-Augmented Large Language Models [67.49462724595445]
Retrieval-augmented Generation (RAG)は、大規模言語モデル(LLM)を改善するための有望な方法である。
本稿では,RAGのためのスケーラブルでプラガブルな仮想トークンを学習する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:44:54Z) - PANDA: Preference Adaptation for Enhancing Domain-Specific Abilities of LLMs [49.32067576992511]
大規模言語モデルは、しばしばドメイン固有の最先端モデルによって達成されるパフォーマンスに欠ける。
LLMのドメイン固有の機能を強化する1つの潜在的アプローチは、対応するデータセットを使用してそれらを微調整することである。
LLM(PANDA)のドメイン固有能力を高めるための優先度適応法を提案する。
実験の結果,PANDA はテキスト分類や対話型意思決定タスクにおいて LLM のドメイン固有性を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2024-02-20T09:02:55Z) - LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。
大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
論文 参考訳（メタデータ） (2023-10-04T17:59:49Z)
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。