LLMの動的プロジェクトスケジュール制御──GP進化型知識の逆転導入による精度と安定性の向上

論文概要

動的マルチモードプロジェクトスケジュール（DMPS）におけるLLMの意思決定を支援するため、遺伝的プログラミング（GP）で進化したヒューリスティック知識を逆転導入するフレームワークが提案された。従来のLLMとGPのハイブリッド手法とは異なり、GPからLLMへ知識を転移することで、ゼロショットLLMが抱えるドメイン知識の不足やクエリ間の変動、高いトークン消費を抑制する。

関連研究

従来の手法では、高速なオンライン決定を支えるヒューリスティック優先度規則の設計に多大なドメイン専門知識が必要であった。また、GPハイパーヒューリスティックを用いて自動的に規則を進化させる研究が存在する一方、LLMをヒューリスティックの進化を支援するために利用する既存のハイブリッド手法とは異なり、本研究は知識の流れを逆転させている点に特徴がある。

新規性と貢献

本研究の主要な貢献は、高品質なGP規則から抽出した知識を、Feature Selection（特徴量選択）、Feature Hint（特徴量ヒント）、Rule Reference（規則参照）、Rule Follow（規則追従）の4つのメカニズムを通じてLLMに注入するアプローチにある。これにより、単なる特徴量のハイライトよりも決定コンテキストの簡素化や明示的な決定ロジックの供給が効果的であることを実証した。

提案手法の詳細

動的マルチモードプロジェクトスケジュールでは、アクティビティが代替の実行モードや不確実な期間を持ち、先行関係や有限のリソースによる制約を受ける。 本手法では、GPで獲得された優れたヒューリスティック規則の構造や特徴量をLLMのプロンプトや文脈に組み込み、LLMの推論プロセスを物理的な最適化の知見でガイドする設計を採用している。

評価・考察

評価実験では、スケジュール性能、トークン消費量、決定の安定性、生成された理由（ラショナレ）における特徴量の着目点について検証が行われた。 その結果、Feature Selectionは最も優れたトークン効率を示し、Rule Followはより多くのトークンコストを要するものの高いスケジュール性能を達成した。また、GP由来の誘導により、未誘導のLLMと比較して決定の安定性が大幅に向上することが確認された。

応用例と今後の展望

製造業の生産管理や大規模ITプロジェクトの工程管理といった動的なリソース配分が必要な分野において、LLMベースのエージェントシステムにドメイン特化型の最適化知識を安全に組み込むための実務的なアプローチとして応用できる。日本の製造業や建設業における複雑な工程スケジューリングシステムへの適用において、LLMの出力揺らぎを抑制しつつ効率的な意思決定を自動化する基盤技術としての実務インパクトが期待される。

結論

GP進化型ヒューリスティック知識をLLMに逆転導入することは、動的プロジェクトスケジュールにおけるLLMの性能・安定性・効率の向上に有効である。表現方法の選択（Feature SelectionやRule Followなど）により、トークン効率と性能のトレードオフを適切に制御できることが示された。

注釈

• 動的マルチモードプロジェクトスケジュール（DMPS）: 実行モードの選択肢や不確定要素、リソース制約が存在する中でプロジェクトの各タスクの順序や割り当てを動的に決定する最適化問題。