自律最適化のための、協進化するアーキテクチャと解釈可能な推論の研究

概要: 大規模言語モデル（LLM）によるオペレーションズ・リサーチ（OR）の自動化は、手作りの推論―実行ワークフローによって依然として制限されています。複雑なORタスクでは、問題解釈、数学的定式化、ソルバ選択、コード生成、反復的デバッグの間で適応的な協調が必要です。この制限に対処するため、我々は自動化された最適化のための共進化フレームワークであるEvoOR-Agentを提案します。このフレームワークは、エージェントのワークフローを活動・辺（AOE）型ネットワークとして表現し、ワークフローのトポロジ、実行依存関係、そして代替の推論経路を明示します。この表現に基づき、フレームワークはアーキテクチャグラフを維持し、グラフ媒介の経路条件付き組換え、多粒度意味変異、そしてエリート主義的な集団更新によって推論個体の集団を進化させます。さらに、知識ベース支援による経験獲得モジュールが、初期化と意味変異に再利用可能なOR実践を注入します。異種のORベンチマークに関する実験結果は、提案フレームワークがゼロショットLLM、固定パイプラインのORエージェント、ならびに代表的な進化型エージェント・フレームワークに対して一貫して改善することを示しています。ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフに支えられた推論軌跡探索が、性能向上と構造的な解釈可能性の両方に寄与することも示しています。これらの結果は、エージェントのアーキテクチャと推論軌跡を進化可能な対象として扱うことが、適応的で解釈可能な自動化最適化に向けた有効な道筋であることを示唆しています。