LLM을 이용한 최적화 모델링과 제약 모델링: 검색 증강 생성 프로세스

최적화 모델링과 제약 모델링은 깊은 도메인 전문 지식과 모델링 형식 언어에 대한 숙련도가 필요합니다. 이러한 문제는 로지스틱스, 의료, 재고 관리 등 다양한 분야에서 중요합니다. 하지만 현재 대규모 언어 모델(LLM)은 구조적 불일치 또는 불완전한 최적화 형식으로 문제를 해결하는 경우가 많습니다.

이 연구에서는 대규모 언어 모델(LLM)의 최적화 모델링 성능을 향상시키기 위해 검색 증강 생성 PIPELINE을 개발했습니다. 이 PIPELINE은 커스텀 시스니스틱 데이터 세트를 사용하여 500개의 최적화 문제를 생성하고, LangChain LLM agent를 사용하여 문제를 해결했습니다.

연구 방법

연구에서는 다음 단계를 수행했습니다.

• 500개의 최적화 문제를 커스텀 시스니스틱 데이터 세트를 사용하여 생성했습니다.
• LangChain LLM agent를 사용하여 문제를 해결했습니다.
• Qwen 3 30B Instruct 모델을 사용하여 PIPELINE의 성능을 평가했습니다.

연구 결과

실험 결과, PIPELINE의 정확도가 NL4OPT, MAMO Easy, MAMO Complex에서 각각 40%에서 72%, 40%에서 56%, 32%에서 56%로 향상되었습니다.

이 연구의 결과는 대규모 언어 모델(LLM)의 최적화 모델링 성능을 향상시키기 위해 검색 증강 생성 PIPELINE을 개발할 수 있음을 보여주며, 도메인 특정 시스니스틱 데이터 세트와 검색 증강을 결합하여 실세계의 결정 지원 맥락에서 대규모 언어 모델(LLM)-기반 최적화 도구를 배포하는 데 효과적인 대안을 제공합니다.