論文の概要: APEX: An Extensible Model for Agent-Assisted Production Scheduling

• arxiv url: http://arxiv.org/abs/2609.33430v1
• Date: Sun, 27 Sep 2026 10:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:56:42.595516
• Title: APEX: An Extensible Model for Agent-Assisted Production Scheduling
• Title（参考訳）: APEX:エージェント支援生産スケジューリングの拡張モデル
• Abstract要約: APEXは、汎用モデルとハイブリッド多目的探索を中心に構築されたプロダクションスケジューリングフレームワークである。 NSGA-II, SPEA2, MOEA/D, SMS-EMOAの8つのAPEX構成をベンチマークする。 別個の合成ワークフロー研究では、OpenAIのGPT-6-astraを人間のプランナーとアルゴリズムコアの相互作用層として使用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Production scheduling requires realistic models that reflect operational constraints and efficient methods that balance competing goals. Putting these methods into use also requires data integration, model adaptation and specialist expertise. We present APEX, an extensible production scheduling framework built around a general model and hybrid multiobjective search. Agent assistance supports both scheduling and model refinement: agents prepare data and explore scenarios in natural language, while coding agents help implement and test new constraints and objectives. Shared construction and checking procedures connect these adaptations to the scheduling core. We benchmark eight APEX configurations against NSGA-II, SPEA2, MOEA/D and SMS-EMOA on 69 public job-shop, flexible job-shop and permutation flow-shop instances, assessing workload completion time (makespan), total job flowtime and computation time. Hybrid configurations achieve the best aggregate solution quality, although the leading method depends on the problem class and objective. A separate synthetic workflow study uses OpenAI's GPT-6-astra as an interaction layer between the human planner and the algorithmic core, testing rule additions, plan and objective changes, and what-if comparisons. All 24 sessions completed the requested changes and passed independent checks of saved models and schedules. A separate coding evaluation produced six native implementations of an additional objective or hard constraint through predefined extension hooks. All passed independent checks without modifying the core.
• Abstract（参考訳）: 生産スケジューリングには、運用上の制約を反映した現実的なモデルと、競合する目標のバランスをとる効率的な方法が必要です。 これらのメソッドを使用するには、データ統合、モデル適応、専門的な専門知識が必要です。 本稿では,汎用モデルとハイブリッド多目的探索を中心に構築された拡張可能な生産スケジューリングフレームワークであるAPEXを提案する。 エージェントはデータを作成し、自然言語のシナリオを探索し、コーディングエージェントは新しい制約と目的の実装とテストを支援する。 共有構成およびチェック手順は、これらの適応をスケジューリングコアに接続する。 我々は, NSGA-II, SPEA2, MOEA/D, SMS-EMOAの8つのAPEX構成を69の公開ジョブショップ, フレキシブルなジョブショップ, 置換フローショップインスタンス上でベンチマークし, 作業負荷完了時間(makespan), 総ジョブフロー時間, 計算時間を評価した。 ハイブリッド構成は、問題のクラスと目的に依存するが、最適な集約ソリューションの品質を達成する。 別個の合成ワークフロー研究では、OpenAIのGPT-6-astraを、人間のプランナーとアルゴリズムコアの相互作用層として、テストルールの追加、計画と目的の変更、そして何の比較に使用している。 全24セッションが要求された変更を完了し、保存されたモデルとスケジュールの独立したチェックをパスした。 別個の符号化評価は、事前定義された拡張フックを通じて追加の目的または制約の6つのネイティブ実装を生成した。 コアを変更することなく、すべての独立したチェックをパスした。

関連論文リスト

• HAAS Studio: A Tool for Simulating, Benchmarking, and Governing Human-AI Work Allocation [0.0]
  HAAS Studioは、人間とAIシステム間のポリシー対応タスク割り当てのためのシミュレーションおよび意思決定支援ツールである。 ソフトウェアエンジニアリング、製造、医療の3つのドメインパックが含まれている。 リリースには16の企業プロファイルと6つのガバナンスベンチマークスイートが含まれている。
  論文  参考訳（メタデータ） (2026-05-18T22:07:02Z)
• Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
  Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。 ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。 実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-18T14:41:27Z)
• Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
  ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。 Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
  論文  参考訳（メタデータ） (2026-03-23T17:01:42Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• MergeBench: A Benchmark for Merging Domain-Specialized LLMs [25.333088749417414]
  MergeBenchは、スケールでのモデルマージを評価するために設計された評価スイートである。 2Bから9BスケールのLlamaやGemmaファミリなど、最先端のオープンソース言語モデルの上に構築されている。 マルチタスク性能, 忘れられたこと, 実行効率にまたがる8つの代表的なマージ手法を評価した。
  論文  参考訳（メタデータ） (2025-05-16T04:02:55Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• A Unified and Efficient Coordinating Framework for Autonomous DBMS Tuning [34.85351481228439]
  既存のMLベースのエージェントを効率的に活用するための統合コーディネートフレームワークを提案する。 機械学習ベースのエージェントを効果的に利用し、ワークロードの実行時間に1.414.1Xのスピードアップでより良い設定を実現できることを示す。
  論文  参考訳（メタデータ） (2023-03-10T05:27:23Z)

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。