LLM 기반 문제 해결 방식은 문제 모델링 및 해결 자동화에 유망한 수단으로 떠올랐지만, 신뢰성이 부족하고 반복적인 수정 루프에 의존하여 지연 시간이 길다는 단점이 있습니다. 본 논문에서는 OptiHive라는 LLM 기반 프레임워크를 소개합니다. OptiHive는 자가 수정 없이 자연어 설명으로부터 고품질 최적화 문제 해결기를 생성합니다. 단일 배치 LLM 쿼리를 사용하여 다양한 구성 요소(해결기, 문제 인스턴스, 검증 테스트)를 생성하고 잘못된 구성 요소를 필터링하여 완전히 해석 가능한 출력을 보장합니다. 생성된 구성 요소의 불완전성을 고려하여 통계 모델을 사용하여 실제 성능을 추론하고, 원칙에 기반한 불확실성 정량화 및 해결기 선택을 가능하게 합니다. 기존 최적화 문제부터 다중 차량 배송 문제(Multi-Depot Vehicle Routing Problem)의 어려운 변형까지 다양한 작업에서 OptiHive는 기준 모델보다 성능이 훨씬 뛰어나며, 가장 복잡한 문제에 대한 최적화율을 5%에서 92%로 높였습니다.
