Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
대규모 차량 경로 문제(CVRP) 해결을 위해 LLM을 의사 결정자로 활용하는 적응형 CFRS 시스템을 제안합니다. LLM이 분해 상태를 분석하여 최적의 연산자를 선택함으로써, 기존 방식보다 뛰어난 확장성과 견고한 라우팅 품질을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 용량 제한 차량 경로 문제 (CVRPs)는 일반적으로 라우팅 인스턴스를 계산 가능한 더 작은 하위 문제로 나누는 클러스터 우선 경로 후순위 (CFRS) 접근 방식을 사용하여 해결됩니다. 기존의 분할 방법은 일반적으로 고정된 분할 규칙, 사전 정의된 최적화 목표 또는 학습된 정책에 의존하며, 이는 공간적, 수요 및 운영 특성이 서로 다른 인스턴스 전반에서 일관되지 않은 성능을 보일 수 있습니다. 본 연구에서는 분해 절차를 반복적인 의사 결정 프로세스로 공식화하는 적응형 CFRS 시스템을 제안합니다. 추론 및 도구 선택 분야에서 최근 거대 언어 모델 (LLMs)이 거둔 성공에 영감을 받아, 이 시스템은 진화하는 분해 상태를 분석하고 추가적인 클러스터링, 균형 조정 및 정제 연산자를 선택적으로 적용하는 상위 수준의 의사 결정자로서 LLM을 채택합니다. 제안된 알고리즘은 고객과 차량을 공동으로 분할하여, 각 문제의 특성에 맞춰 분할 결정을 조정하는 동시에 용량을 고려한 클러스터링을 가능하게 합니다. 우리는 최대 500,000명의 고객을 포함하는 합성 및 벤치마크 유도 CVRP 인스턴스에서 이 접근 방식을 평가합니다. 실험 결과, 벤치마크 규모의 인스턴스에서 경쟁력 있는 성능을 입증하는 동시에, 훨씬 더 큰 문제에서 개선된 확장성과 견고한 라우팅 품질을 보여주었습니다. 이러한 결과는 산업 규모의 차량 경로 계획 및 대규모 물류 계획을 위한 실질적인 접근 방식으로서 적응형, LLM 가이드 의사 결정 지원의 잠재력을 강조합니다.