PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.39360v2cs.AI

혼합 정수 선형 및 비선형 프로그래밍에서의 자동 연구

Autoresearch in Mixed-Integer Linear and Nonlinear Programming

자동 연구(autoresearch)의 최근 발전에도 불구하고, 전형적으로 NP-난해(NP-hard) 혼합 정수 선형 또는 비선형 프로그램(MILP 또는 MINLP)으로 공식화되는 실제 운영 연구(operations research) 문제에 이를 적용하는 것은 여전히 어렵습니다. 효과적인 연구를 위해서는 상충하는 아이디어들과 장기적(long-horizon) 실험 궤적을 체계적으로 관리해야 하기 때문입니다. 본 논문에서는 아이디어 풀링(pooling)과 알고리즘 트리 탐색을 통해 혼합 정수 프로그래밍에서 장기적 자동 연구를 체계화하는 재사용 가능한 에이전트(agent) 스킬인 AutoMIP을 소개합니다. AutoMIP은 상호보완적인 후보 아이디어들의 지속적인 풀을 유지하는 동시에 실행 가능한 실험들을 알고리즘 트리로 구성하여, 에이전트가 탐색되지 않은 가설을 보존하고 유망한 알고리즘을 개선하며 과거 상태를 기반으로 대안적 방법론 방향으로 전환할 수 있도록 지원합니다. MILP 및 MINLP 벤치마크(benchmark) 코호트에서 AutoMIP은 평가된 자동 연구 프레임워크 중 가장 높은 최종 성공률을 달성했습니다. MIPLib에서 AutoMIP은 60개 인스턴스 중 31개에서 새로운 최적해를 발견하여 기존 자동 연구 프레임워크를 능가했습니다. MINLPLib에서는 60개 인스턴스 중 52개에서 새로운 최적해를 달성했습니다. 절제 연구(ablation study)는 아이디어 풀링과 알고리즘 트리 탐색의 상호보완적 기여를 추가로 입증하며, 장기적 자동 연구를 위해 다양한 연구 아이디어와 구조화된 실험 궤적을 함께 유지하는 것의 중요성을 강조합니다.

arXiv:2607.22542v1math.OC

부하 의존 비용을 갖는 중국인 우편배달부 문제를 위한 하이브리드 메타휴리스틱 프레임워크

A Hybrid Matheuristic Framework for the Chinese Postman Problem with Load-Dependent Costs

부하 의존 비용을 갖는 중국인 우편배달부 문제(CPP-LC)는 이동 비용이 차량 부하와 에너지 소비에 따라 달라지는 실제 물류 및 운송 시스템에서 발생한다. 본 연구에서는 CPP-LC를 효율적으로 풀기 위해 메타휴리스틱 탐색과 수학적 계획법(mathematical programming)을 통합한 하이브리드 최적화 프레임워크를 제안한다. 제안 방법은 탐험과 집중(intensification)의 균형을 맞추기 위해 지역 탐색 절차와 축소된 혼합정수 선형 계획(MILP) 모델을 결합한다. 또한 대규모 인스턴스에서 확장성을 높이기 위해 개미 군집 최적화(ACO) 알고리즘을 개발한다. 벤치마크 데이터셋에 대한 광범위한 실험 결과, 제안 프레임워크가 일관되게 고품질 해를 달성하고 계산 효율성을 유지하면서 기존 접근법보다 해의 품질에서 우수한 성능을 보임을 보여준다. 이러한 결과는 실용적 응용에서 복잡한 부하 의존 경로 문제에 대한 하이브리드 최적화 전략의 효과를 부각한다. 구현체는 https://github.com/HySonLab/MatCPP 에서 공개적으로 제공된다.

arXiv:2607.13239v1cs.AI

교통 관리를 위한 비용 최적 파운데이션 모델 배포 포트폴리오

Cost-Optimal Foundation Model Deployment Portfolio for Transportation Management

파운데이션 모델(foundation model)에는 대규모 언어 모델(LLM)과 비전-언어 모델(VLM)이 포함되며, 이상 탐지, 사고 보고, 여행자 정보 제공과 같은 교통 관리 센터(TMC) 업무에 점점 더 많이 사용되고 있다. 여러 이러한 모델을 TMC 기능 전반에 배포하는 것은 포트폴리오 질문을 제기한다: 각 기능에 어떤 모델이, 어떤 배포 모드로, 그리고 어떤 공유 하드웨어 예산 하에서 제공되어야 하는가? 우리는 이를 파운데이션 모델 배포 포트폴리오(FMDP) 문제로 공식화한다. 이는 공유 GPU 용량에 대해 기능별 품질, 지연 시간, 안전성 제약을 만족하면서 총 소유 비용(TCO)을 최소화하는 혼합 정수 프로그램이다. 0-1 배낭 문제로의 환원을 통해 이 문제가 NP-난해함을 증명하고, 다항 시간 탐욕적 휴리스틱을 제안한다. 다섯 가지 TMC 기능과 19개의 후보 (모델, 모드) 쌍을 포함한 예시 사례 연구에서, FMDP는 4개 기능을 오픈소스 API로, 오픈소스 모델이 품질 하한을 충족하지 못하는 1개 기능을 폐쇄형 API로 라우팅하는 혼합 포트폴리오를 식별하여 월 $34(가장 저렴한 실행 가능한 전체 폐쇄형 API 기준선 대비 97% 절감)의 비용을 산출한다. 손익분기 분석에 따르면, 온프레미스 GPU 투자는 시간당 약 309회의 비전 쿼리 이상이거나 API 가격이 두 배로 오를 때만 합리적이 된다.

arXiv:2606.21440v1cs.LG

대규모 파라메트릭 혼합 정수 프로그램을 위한 백도어, 머신러닝, 최적화의 융합

Fusing Backdoors, Machine Learning, and Optimization for Large-Scale Parametric Mixed-Integer Programs

대규모 최적화 문제는 유사한 구조적 조건 하에서 반복적으로 풀리는 경우가 많아 상당한 계산 비용이 발생한다. 이는 전력 시스템, 교통, 공급망 네트워크와 같은 응용 분야에서 나타나며, 여기서 기저 구조는 고정되어 있는 반면 파라미터는 교란에 의해 빈번하게 변한다. 본 논문은 백도어(backdoor), 즉 대부분의 계산 복잡도를 결정하는 변수들의 부분집합 개념을 활용하여 대규모 일반 혼합 정수 문제의 풀이를 가속화하는 학습 기반 최적화(LTO) 프레임워크를 제안한다. 제안된 BIPC 프레임워크는 세 단계로 구성된다. 1단계는 분포 내 인스턴스 집합에 대한 백도어를 발견하는 식별 절차이다. 2단계는 지도 학습을 사용하여, 주어진 인스턴스에 대해 유계 도메인 백도어 변수의 값과 광역 도메인 백도어 변수의 구간을 예측하는 머신러닝 모델을 개발한다. 이 예측값은 백도어 변수를 제약하고 나머지 변수는 자유롭게 두는 축소된 최적화 문제를 정의한다. 3단계는 이 축소된 문제를 최적화하고, 필요한 경우 실현 가능성 또는 최적성 보장을 복원하기 위한 보정 단계를 적용한다. 실제 대규모 문제에 대한 실험에서 풀이 품질의 제한적인 손실만으로 풀이 시간이 크게 단축됨을 보인다. 이 프레임워크는 예기치 않은 이벤트, 수요 변동, 운영 변화와 같은 빈번한 교란이 발생하는 상황에서 조직이 대규모 최적화 문제를 효율적으로 풀 수 있게 한다. 이러한 변화는 문제 구조가 아닌 파라미터에 영향을 미치므로, BIPC는 고품질의 실현 가능한 해를 신속하게 제공하여 머신러닝을 기존 최적화 파이프라인에 통합하는 실용적인 접근 방식을 제시한다.

arXiv:2606.18730v1cs.RO

이동 장애물이 있는 이동 목표 외판원 문제를 위한 이단계 이중 수준 탐색

Two-Phase Bilevel Search for the Moving-Target Traveling Salesman Problem with Moving Obstacles

이동 장애물이 있는 이동 목표 외판원 문제(MT-TSP-MO)에서 에이전트가 시간 창 내 이동 목표를 방문하며 이동 장애물을 피하는 최소 비용 궤적을 찾기 위해, 혼합 정수 원뿔 프로그래밍(MICP) 공식과 이단계 이중 수준 탐색(TPBS) 알고리즘을 제안한다. 최대 40개 목표·40개 장애물 인스턴스에서 기존 기준선 대비 성공률, 해 비용, 계산 시간 모두에서 두 방법이 크게 우수함을 보였다.