組合せ最適化問題。はい、その通りです。 * 待ってください、プロンプトには「同じ文章をセクション間で繰り返さない」とあり

TL;DR（結論）

組合せ最適化問題の解決に不可欠なヒューリスティック設計を自動化する手法として、大規模言語モデル（LLM）を用いた自動ヒューリスティック設計（AHD）が注目されていますが、既存手法は固定ルールや静的プロンプトに依存し、探索履歴を十分に活用できないという課題がありました。本研究で提案されたPathWiseは、ヒューリスティック生成を「含意グラフ（entailment graph）」上の逐次的な意思決定プロセスとして定式化し、探索の軌跡を状態として保持するメモリ機能を持つマルチエージェント推論フレームワークです。実験の結果、PathWiseは巡回セールスマン問題などの多様な課題において、より少ない評価回数で優れたアルゴリズムを迅速に発見し、高い収束性と大規模問題へのスケーラビリティを示すことが確認されました。

なぜこの問題か

巡回セールスマン問題（TSP）や配送計画問題（CVRP）、スケジューリングといった組合せ最適化問題（COP）は、物流、物流、設計自動化など、現実世界の多くの複雑な意思決定タスクにおいて中心的な役割を果たしています。これらの問題の多くはNP困難であり、妥当な時間内に高品質な解を得るためには、シミュレーテッドアニーリングやタブー探索、反復局所探索といったヒューリスティックアルゴリズムが実用的な唯一のアプローチとなることが少なくありません。しかし、効果的なヒューリスティックを構築するには、特定のソルバーに合わせたアルゴリズム構成要素を設計するための深いドメイン専門知識が必要であり、そのプロセスは高コストで、異なる問題への汎用性が低いという課題がありました。 この課題を解決するために、遺伝的プログラミング（GP）などを用いた自動ヒューリスティック設計（AHD）が登場しましたが、GPベースの手法は構文木として表現されたヒューリスティックを扱い、人間が定義した算術演算子などの限定的な操作に縛られるため、柔軟性と効果に限界がありました。…

核心：何を提案したのか

本研究では、ヒューリスティックの発見を「含意グラフ（entailment graph）」上の逐次的な意思決定プロセスとして捉える、PathWiseと呼ばれる構造化されたマルチエージェント推論フレームワークを提案しています。このフレームワークの核心は、単なる試行錯誤の進化ではなく、状態を意識した計画（state-aware planning）を通じてヒューリスティックを自己進化させる点にあります。含意グラフは、探索の軌跡をコンパクトかつ状態を持つメモリとして表現し、ヒューリスティックがどのように導出されたか、編集がどのように組み合わされたかを記録します。 PathWiseは、役割の異なる複数のLLMエージェントが協調して動作する仕組みを採用しています。…

続きはログイン/プランで閲覧できます。