基于 LLM 的复杂车辆路径问题智能代理框架
人工智能
2026-02-17 v2
摘要
复杂车辆路径问题 (VRP) 仍是需要大量专家 effort 进行意图解析和算法设计的根本性挑战。虽然大型语言模型 (LLM) 提供了向自动化迈进的可行之路，但现有方法仍依赖外部干预，限制了自主性，常导致执行错误和低 solution 可行性。为此，本文提出一种基于 LLM 的智能代理框架 (AFL)，用于解决复杂车辆路径问题，实现从问题实例到解答的全自动化。AFL 直接从原始输入中提取知识，实现无需手工模块或外部求解器的自包含代码生成。为提升可信度，AFL 将整体管道分解为三个可管理的子任务，并部署四个专业化代理，其协调化互动确保跨功能一致性和逻辑严谨性。对 60 项涵盖标准基准及实际变体的复杂 VRP 进行大量实验验证，证明该框架的有效性与普适性，性能与精心设计的算法相当。值得注意的是，在代码可靠性和 solution 可行性方面，AFL 在评估基准上显著优于现有 LLM-based 方法，接近 100% 达成高置信度解答。
引用
@article{arxiv.2510.16701,
title = {An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems},
author = {Ni Zhang and Zhiguang Cao and Jianan Zhou and Cong Zhang and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2510.16701},
year = {2026}
}
备注
Accepted by iclr2026