論文の概要: RouteRepair: Instance-Level Failure Diagnosis and Targeted Repair in LLM-Based Automated Heuristic Design for Routing Optimization
- arxiv url: http://arxiv.org/abs/2609.11452v1
- Date: Thu, 10 Sep 2026 12:21:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.34004
- Title: RouteRepair: Instance-Level Failure Diagnosis and Targeted Repair in LLM-Based Automated Heuristic Design for Routing Optimization
- Title（参考訳）: RouteRepair: LLMに基づくルーティング最適化のための自動ヒューリスティック設計におけるインスタンスレベル故障診断と目標修復
- Abstract要約: 本研究は,実例レベルのパフォーマンスから親固有の弱点を診断し,対応するコンポーネントにターゲット変更を適用したRouteRepairを開発する。
移動セールスマン問題 (TSP) とキャパシタンドカールーティング問題 (CVRP) は, 構成探索, ガイド付き局所探索, アリコロニー最適化にまたがる。
その結果、障害に気付き、エビデンスに制約のある改善は、既に解決済みのケースのパフォーマンスを維持しながら、困難なインスタンスのルーティングを改善することができることがわかった。
- 参考スコア（独自算出の注目度）: 41.634732070837906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient routing optimization is essential to freight transportation, urban logistics, and shared mobility, where high-quality heuristics are often required under limited computational budgets. Recent large language model (LLM)-based automated heuristic design methods can generate effective routing rules, but aggregate evaluation may mask recurrent failures on particular instance structures. To address this limitation, this study develops RouteRepair, which diagnoses parent-specific weaknesses from instance-level performance and applies targeted modifications to the corresponding heuristic components while protecting behavior that already performs well. Routing evidence, solver behavior, and program context are combined to define bounded repair objectives, and each intervention is validated through matched parent-child evaluation of failure recovery and collateral degradation. Experiments on the traveling salesman problem (TSP) and capacitated vehicle routing problem (CVRP) span constructive search, guided local search, and ant colony optimization. RouteRepair-GLS reduces the mean TSP optimality gap from 1.7476% to 0.7587%, while the constructive CVRP heuristic lowers average route cost by 1.91% relative to the savings heuristic; the generated ACO priors also outperform matched hand-designed priors. These results show that failure-aware, evidence-constrained refinement can improve routing heuristics on difficult instances while preserving performance on cases they already solve well.
- Abstract（参考訳）: 効率的なルーティング最適化は、貨物輸送、都市ロジスティクス、共有モビリティに不可欠である。
最近の大規模言語モデル(LLM)に基づく自動ヒューリスティック設計手法は効果的なルーティングルールを生成することができるが、集約評価は特定のインスタンス構造上で繰り返し発生する障害を隠蔽する可能性がある。
この制限に対処するため,本研究では,親に特有の弱点をインスタンスレベルのパフォーマンスから診断し,対応するヒューリスティックなコンポーネントにターゲット変更を適用しつつ,すでに機能している動作を保護したRouteRepairを開発した。
ルーティングエビデンス、解決者行動、プログラムコンテキストを組み合わせて境界修復目標を定義し、各介入は、障害回復と側方劣化の一致した親子評価によって検証される。
移動セールスマン問題 (TSP) とキャパシタンドカールーティング問題 (CVRP) は, 構成探索, ガイド付き局所探索, アリコロニー最適化にまたがる。
RouteRepair-GLSは平均TSP最適性ギャップを1.7476%から0.7587%に減らし、建設的なCVRPヒューリスティックは平均ルートコストを1.91%下げる。
これらの結果から,障害に気付き,エビデンスに制約のある改善は,障害発生時のルーティングヒューリスティックスを改善するとともに,すでに解決済みのケースにおける性能を保ちつつも,障害発生時のルーティングヒューリスティックスを改善することが示唆された。
関連論文リスト
- CAST: Critique-Aware Supervision for Training Reliable Long-Horizon Tool-Calling Agents [66.9575676266637]
大規模言語モデル(LLM)エージェントは、長期的、インタラクティブでステートフルな環境にますますデプロイされている。
これらの設定では、間違った購入を返金するなどの1つの間違ったアクションは、不可逆なタスクの失敗を引き起こし、実行前にインターセプトされなければならない。
CASTは、スパースタスクの結果を批判学習と政策最適化のためのアクションレベル監視に変換する、批判に意識したトレーニングフレームワークである。
論文 参考訳（メタデータ） (2026-08-31T01:59:51Z) - Adaptive Error Budget Allocation for Fault-Tolerant Quantum Resource Estimation: A Metaheuristic Approach [0.14323566945483496]
システムレベルのリソース推定は、フォールトトレラントな量子コンピューティングツールチェーンの重要なコンポーネントである。
そこで我々は,Azure Quantum Resource Estor上で,微分自由探索を直接行うトレーニングフリー最適化フレームワークを提案する。
MQTベンチの31ファミリーから2から91キュービットに及ぶ433個の回路上で,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-08-16T07:14:29Z) - Robust Feasible Route Construction through Collaborative Partition Optimization [2.3204178451683264]
コラボレーティブ・ルーティング・コンストラクタ(CoRC)は、独立して解決されたサブプロブレムを顧客と車両の交換を可能にするルーティング・フレームワークである。
CoRCは、競合するパーティションベースのメソッドが持たない、実行可能なルーティングソリューションを一貫して構築する。
これらの結果から,ルーティングサブプロブレム間の協調は,大規模ルート構築において堅牢かつスケーラブルなアプローチを提供することが示された。
論文 参考訳（メタデータ） (2026-07-04T03:58:46Z) - Adaptive Cluster-First Route-Second Decomposition for Industrial-Scale Vehicle Routing [2.3204178451683264]
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。
論文 参考訳（メタデータ） (2026-06-30T15:31:40Z) - Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。
AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。
5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-03-13T12:26:05Z) - Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。
RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
論文 参考訳（メタデータ） (2026-02-26T02:45:22Z) - Guided by Trajectories: Repairing and Rewarding Tool-Use Trajectories for Tool-Integrated Reasoning [65.10602992874787]
AutoTrajはツール使用トラジェクトリの修復と報酬によってTIRを自動的に学習するフレームワークである。
実世界のベンチマークの実験では、AutoTrajの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-30T14:42:04Z) - A Curriculum-Based Deep Reinforcement Learning Framework for the Electric Vehicle Routing Problem [0.4666493857924357]
EVRPTW(Electric Vehicle routing problem with Time Window)は、持続可能なロジスティクスにおいて複雑な最適化問題である。
この不安定性を解決するために,カリキュラムベースの深層強化学習(CB-DRL)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-21T14:42:33Z) - HeaRT: A Hierarchical Circuit Reasoning Tree-Based Agentic Framework for AMS Design Optimization [13.18012004667103]
HeaRTは自動化ループの基本的な推論エンジンであり、インテリジェントで適応的でヒューマンスタイルの設計最適化に向けた第一歩である。
HeaRTは、40サイクルのベンチマークリポジトリで、推論精度97%、Pass@1のパフォーマンス98%を一貫して示しています。
実験の結果,HeaRTはサイズおよびトポロジー設計適応タスクにおいて3倍の収束性が得られることがわかった。
論文 参考訳（メタデータ） (2025-11-24T20:11:06Z) - Dr.LLM: Dynamic Layer Routing in LLMs [55.11953638340419]
Dr.LLMは、事前訓練されたモデルに軽量な層ごとのルータを装備し、ブロックをスキップ、実行、繰り返すように決定する、適合性のあるフレームワークである。
ARC(logic)とDART(math)では、Dr.LLMは平均で5つのレイヤを保存しながら、最大3.4%の精度向上を実現している。
論文 参考訳（メタデータ） (2025-10-14T17:51:26Z)
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。