Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LLM4EO: Large Language Model for Evolutionary Optimization in Flexible Job Shop Scheduling

Created by
  • Haebom
Category
Empty

저자

Rongjie Liao, Junhao Qiu, Xin Chen, Xiaoping Li

개요

LLM을 활용하여 진화 알고리즘(EA)의 연산자 수준 메타-진화를 가능하게 하는 프레임워크인 LLM4EO를 제안합니다. LLM4EO는 지식 이전 기반 연산자 설계, 진화 인식 및 분석, 적응형 연산자 진화의 세 가지 구성 요소로 이루어져 있습니다. LLM을 통해 고전 연산자의 강점을 이전하여 연산자를 초기화하고, 적합도와 진화적 특징을 통합하여 연산자의 검색 선호도와 잠재적 한계를 분석합니다. 또한, 개체군 진화의 정체 시 개선 프롬프트 전략을 통해 연산자의 유전자 선택 우선순위를 동적으로 최적화합니다. 유연 작업장 스케줄링 문제에 대한 일련의 검증을 통해 LLM4EO가 개체군 진화를 가속화하고 기존 EA보다 우수한 성능을 보임을 입증했습니다.

시사점, 한계점

•
시사점:
◦
LLM을 활용하여 EA의 연산자 설계를 혁신적으로 개선함.
◦
진화 과정에서 연산자의 적응적 최적화를 가능하게 하여 검색 효율성을 향상시킴.
◦
고전 연산자의 장점을 LLM을 통해 이전하여 연산자 초기화의 효율성을 높임.
◦
유연 작업장 스케줄링 문제에 대한 뛰어난 성능을 입증하여 실제 문제에의 적용 가능성을 보여줌.
•
한계점:
◦
LLM 의존성이 높아, LLM 성능에 따라 프레임워크의 성능이 제한될 수 있음.
◦
프레임워크의 복잡성으로 인해 계산 비용이 높을 수 있음.
◦
다른 문제 도메인에 대한 일반화 성능은 추가적인 연구가 필요함.
👍
Made with Slashpage