LLM 지원 유연한 MCTS를 통해 자동화된 대규모 CVRP 솔버 디자인

Automated Large-scale CVRP Solver Design via LLM-assisted Flexible MCTS

대규모 CVRP(LSCVRP) 문제를 해결하는 것은 수백에서 수천개의 노드가 있는 경우에도 최신기술의 솔버에서도 여전히 어려운 문제입니다. 분할-정복 기법은 인스턴스를 크기가 줄어든 서브 문제로 분할하여 확장 가능하지만, 분할 논리 설계 및 서브 솔버 구성은 전문가와 노동력에 의존하는 labor-intensive한 작업입니다. 대규모 언어 모델(LLM)은 자동화된 알고리즘 설계에 유망한 도구로 등장했습니다. 그러나 현재 LLM를 기반으로 한 접근법은 LSCVRP를 해결하는 데 어려움을 겪고 있으며, 제한된 문맥 창 내에서 정교한 검색 전략을 생성하는 것이 가장 큰 문제입니다. 이 실수를 해결하기 위해, 우리는 LLM-assisted Flexible Monte Carlo Tree Search(LaF-MCTS)라는 새로운 프레임워크를 제안하여 대규모 LSCVRP 솔버를 설계하는 것을 자동화합니다. 3단계의 의사결정 계층을 개발하여 LSCVRP의 분할 정책 및 서브 솔버 설계를 Incremental하게 수행할 수 있습니다. 알고리즘 가설 공간 내에서 효율적인 검색을 가능하게 하기 위해, 우리는 의미적 지우기(sematic pruning)와 가지 재생(branch regrowth)라는 두 가지 기법을 도입하여 의미적 및 구조적 중복 코드를 제거하고 다양성을 유지합니다. CVRPLib에서 수행한 광범위한 실험을 통해, LaF-MCTS는 다양한 최신 CVRP 솔버를 능가하는 분할 강화된 솔버를 자율적으로 구성하고 최적화합니다.