SCIP改善予測、AIは単純ルールに敗退

この検証は実際の運用課題から生まれた。シフト編成の求解が時間制限に達したとき、現状の解を返して停止するか、計算を続けるかを誰かが判断しなければならない。以前の取り組みでは、その判断を機械的な停滞検知器に組み込んでいた。一定時間ほか新たな解が現れなければ打ち切るというもので、改善が実際に来るかどうかを予測することはなかった。本記事はその予測の問いを74ケースで直接検証し、うち24件が改善、そのうち15件はわずか1ポイントの改善だった。

結果は停滞という直感に反する。20〜26秒静かだったケースは散布図の改善側に集中した。これらは分岐限定木がまだ動いている中規模問題であり、最適解に近い小規模問題でも、根LPで詰まった大規模問題でもなかったからだ。教科書どおりの停滞方向に従うルールのAUCは0.37で、コイントスより悪かった。同じシグナルを反転させると0.63に達した。Jevの安価で高速な判定もフレーミングなしでは0.32と偶然を下回った。Sonnet 5は推論を説明したが、実際には改善した12〜18ノードのケースを低確率と読んでしまった。

実務的な読みはこうだ。停滞閾値の大きさと方向はローカルな事実であり、転用できるヒューリスティックではない。適合に使えたのはわずか36ケースで、最も性能の良かったロジスティック回帰でさえ閾値がホールドアウトデータで過剰発動し、改善点の35%を失った。AI判定をスケジューリングパイプラインに組み込む価値があるかは、まず自社のソルバー実行からラベル付き測定値を集めてルールを検証できるか、そして追加の60秒を単純な継続ではなくLNSに使う方が良いかにかかっている。