将大语言模型与图神经求解器对齐以解决组合优化问题
人工智能
2026-03-31 v1
摘要
最近的研究表明，大型语言模型(LLMs)在通过以自然语言表示任务和实例来解决组合优化问题(COPs)方面效果显著。然而，纯语言方法难以准确捕捉许多 COPs 中固有的复杂关系结构，因而在处理中等规模或更大规模实例时效果较差。为了解决这些限制，我们提出了 AlignOPT，这是一种将 LLMs 与图神经求解器对齐以学习更通用神经 COP 启发式的方法。具体而言，AlignOPT 利用 LLMs 的语义理解能力对 COPs 及其实例的文本描述进行编码，同时利用图神经求解器显式地建模 COP 实例的底层图结构。我们的方法促进了语言语义与结构表示之间的稳健集成和对齐， 实现更准确和可扩展的 COP 解决方案。实验结果表明，AlignOPT 在 diverse COPs 上实现了最先进的成绩，凸显了其在对齐语义和结构表示方面的有效性。特别是，AlignOPT 在扩展到以前未见过的 COP 实例方面表现出强大的泛化能力。
引用
@article{arxiv.2603.27169,
title = {Aligning LLMs with Graph Neural Solvers for Combinatorial Optimization},
author = {Shaodi Feng and Zhuoyi Lin and Yaoxin Wu and Haiyan Yin and Yan Jin and Senthilnath Jayavelu and Xun Xu},
journal= {arXiv preprint arXiv:2603.27169},
year = {2026}
}
备注
18 pages, 3 figures