자동 최적화를 위한 공동 진화하는 에이전트 아키텍처 및 해석 가능한 추론

Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization

대규모 언어 모델(LLM)을 활용한 운영 연구(OR) 자동화는 여전히 수동으로 설계된 추론-실행 워크플로우에 의해 제한됩니다. 복잡한 OR 작업은 문제 해석, 수학적 모델링, 솔버 선택, 코드 생성 및 반복적인 디버깅 간의 적응적인 조율이 필요합니다. 이러한 한계를 해결하기 위해, 본 연구에서는 자동 최적화를 위한 공동 진화 프레임워크인 EvoOR-Agent를 제안합니다. 이 프레임워크는 에이전트 워크플로우를 활동-엣지(AOE) 스타일 네트워크로 표현하여 워크플로우 토폴로지, 실행 의존성 및 대체 추론 경로를 명시적으로 나타냅니다. 이 표현을 기반으로, 프레임워크는 아키텍처 그래프를 유지하며 그래프 기반의 경로 조건부 재조합, 다중 수준 의미 변이 및 엘리트 집단 업데이트를 통해 추론 개체를 진화시킵니다. 또한, 지식 기반 지원 경험 획득 모듈은 재사용 가능한 OR 방법을 초기화 및 의미 변이에 주입합니다. 다양한 OR 벤치마크에 대한 실험 결과는 제안된 프레임워크가 초기 상태의 LLM, 고정 파이프라인 OR 에이전트 및 대표적인 진화 에이전트 프레임워크보다 일관되게 성능이 우수함을 보여줍니다. 사례 연구 및 제거 분석 결과는 명시적인 아키텍처 진화 및 그래프 기반 추론 경로 탐색이 성능 향상과 구조적 해석 가능성에 기여한다는 것을 나타냅니다. 이러한 결과는 에이전트 아키텍처와 추론 경로를 진화 가능한 객체로 취급하는 것이 적응적이고 해석 가능한 자동 최적화를 위한 효과적인 방법임을 시사합니다.

Automating operations research (OR) with large language models (LLMs) remains limited by hand-crafted reasoning--execution workflows. Complex OR tasks require adaptive coordination among problem interpretation, mathematical formulation, solver selection, code generation, and iterative debugging. To address this limitation, we propose EvoOR-Agent, a co-evolutionary framework for automated optimization. The framework represents agent workflows as activity-on-edge (AOE)-style networks, making workflow topology, execution dependencies, and alternative reasoning paths explicit. On this representation, the framework maintains an architecture graph and evolves a population of reasoning individuals through graph-mediated path-conditioned recombination, multi-granularity semantic mutation, and elitist population update. A knowledge-base-assisted experience-acquisition module further injects reusable OR practices into initialization and semantic variation. Empirical results on heterogeneous OR benchmarks show that the proposed framework consistently improves over zero-shot LLMs, fixed-pipeline OR agents, and representative evolutionary agent frameworks. Case studies and ablation analyses further indicate that explicit architecture evolution and graph-supported reasoning-trajectory search contribute to both performance improvement and structural interpretability. These results suggest that treating agent architectures and reasoning trajectories as evolvable objects provides an effective route toward adaptive and interpretable automated optimization.