論文の概要: Agentic AI-Assisted Modeling for Production Scheduling: Assessment in Constraint Programming

• arxiv url: http://arxiv.org/abs/2610.10184v1
• Date: Wed, 07 Oct 2026 14:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.978955
• Title: Agentic AI-Assisted Modeling for Production Scheduling: Assessment in Constraint Programming
• Title（参考訳）: エージェントAIによる生産スケジューリングのモデリング:制約プログラミングにおける評価
• Abstract要約: 汎用大規模言語モデル(LLM)は、自然言語問題記述から制約プログラミングモデルを定式化し、実装することができる。 定式化は現在の LLM の範囲内にあるが、実装は主要な障壁である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing optimization models for production scheduling requires substantial expert effort. Research on large language models (LLMs) has followed two directions: specialized approaches for automated modeling, mostly for mixed-integer linear programming, which often rely on dedicated training or problem-specific architectures that limit industrial deployment; and agentic artificial intelligence for operational decision support, which generally assumes that the optimization model already exists. This study bridges both directions by assessing whether general-purpose LLMs, orchestrated as agents without task-specific training, can formulate and implement constraint programming models from natural-language problem descriptions. Singleagent and multi-agent architectures are integrated with a Model Context Protocol server that provides context-aware retrieval of solver documentation to mitigate hallucinations during implementation. Both are compared with a direct LLM baseline on six industry-oriented problems covering flow-shop, job-shop, flexible job-shop and resource-constrained warehouse scheduling, using three LLMs and assessing modeling accuracy, execution success, latency and token consumption. Formulation proves largely within reach of current LLMs, whereas implementation is the main barrier. The multi-agent workflow raises the share of scripts that run correctly as generated from 14.8% with a direct LLM call to 59.3%, reaching 80.6% on the four less complex problems, while tightly coupled intralogistics models remain an open challenge.
• Abstract（参考訳）: 生産スケジューリングのための最適化モデルを開発するには、かなりの専門的な努力が必要だ。 大規模言語モデル(LLM)の研究は、主に産業展開を制限する専用トレーニングや問題固有のアーキテクチャに依存する混合整数線形プログラミングのための、自動化モデリングのための特殊なアプローチと、通常最適化モデルがすでに存在すると仮定する運用上の意思決定支援のためのエージェント人工知能の2つの方向に従っている。 本研究は,タスク固有の訓練を伴わないエージェントとして編成された汎用LLMが,自然言語問題記述から制約プログラミングモデルを定式化し,実装できるかどうかを評価することによって,両方向を橋渡しする。 シングルエージェントとマルチエージェントアーキテクチャはModel Context Protocolサーバと統合され、実装中の幻覚を軽減するためにソルバ文書のコンテキスト認識検索を提供する。 どちらも、フローショップ、ジョブショップ、柔軟なジョブショップ、リソース制約のある倉庫スケジューリングを含む6つの業界指向の6つの問題に対して、3つのLCMを使用してモデリング精度、実行成功、レイテンシ、トークン消費を評価する。 定式化は現在の LLM の範囲内にあるが、実装は主要な障壁である。 マルチエージェントワークフローは、直接LLMコールで14.8%から59.3%まで正確に実行されるスクリプトのシェアを上昇させ、4つのより複雑な問題に対して80.6%に達した。

関連論文リスト

• COOPA: A Modular LLM Agent Architecture for Operations Research Problems [45.369080363530976]
  Operations Research (OR)は、高い意思決定のための厳格な枠組みを提供する。 最近のLSMベースのシステムはパイプラインの一部を自動化しているが、複雑な問題に対して低い精度で制限されている。 本稿では,解釈可能かつスケーラブルなOR決定支援のためのモジュール型LLMエージェントアーキテクチャであるCOOPAを提案する。
  論文  参考訳（メタデータ） (2026-06-25T23:56:58Z)
• 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)
• Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows [5.376980683850103]
  本稿では,予測困難により誘導されるクエリ固有多エージェントを生成するDifficulty-Aware Agentic Orchestration (DAAO)を提案する。 DAAOは、精度と推論効率の両方において、従来のマルチエージェントシステムを上回る。
  論文  参考訳（メタデータ） (2025-09-14T03:57:43Z)
• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• Automatic MILP Model Construction for Multi-Robot Task Allocation and Scheduling Based on Large Language Models [13.960259962694126]
  既存の手法は、動的な生産制約に適応する際の課題に直面します。 企業には 生産スケジュールデータに対する 高いプライバシ要件があります 本研究では,知識強化型混合整数線形時間(MILP)自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-18T01:45:19Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Enhancing the Reasoning Ability of Multimodal Large Language Models via Mixed Preference Optimization [65.64108848398696]
  我々は、MLLMのマルチモーダル推論能力を高めるために、選好最適化(PO)プロセスを導入する。 具体的には、自動選好データ構築パイプラインを設計し、高品質で大規模なマルチモーダル推論選好データセットであるMMPRを作成する。 マルチモーダルCoT性能を向上するMPO(Mixed Preference Optimization)と呼ばれるシンプルな手法を開発した。
  論文  参考訳（メタデータ） (2024-11-15T18:59:27Z)
• ORLM: A Customizable Framework in Training Large Models for Automated Optimization Modeling [15.67321902882617]
  本稿では,オープンソースのLLMをトレーニングし,モデリングやソルバコードの開発を最適化する実行可能なパスを提案する。 この研究は、実用的なOR問題の解決においてLLMを評価するための最初の産業ベンチマークであるIndustrialORも導入した。
  論文  参考訳（メタデータ） (2024-05-28T01:55:35Z)

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。