基于 LLM 辅助的灵活 MCTS 自动大规模 CVRP 求解器设计
人工智能
2026-05-06 v1
摘要
求解包含数百至数千个节点的大规模 CVRP (LSCVRP) 即使对最先进的求解器来说也颇具挑战。分割-求解可通过将问题分解为规模缩小的子问题来实现规模扩展，但设计分割逻辑和配置子求解器需要高度专业化和耗时。大型语言模型 (LLM) 已成为自动算法设计的有前景工具。然而，现有的 LLM 驱动方法在解决 LSCVRP 时主要受限于在有限上下文窗口内生成复杂搜索策略的困难。为弥合这一差距，我们提出了 LLM 辅助灵活蒙特卡洛树搜索 (LaF-MCTS) 框架，以自动设计高性能 LSCVRP 求解器。我们开发了三级决策层次，以实现对 LSCVRP 分解策略和子求解器的逐步设计。为实现算法假设空间内的高效搜索，我们引入语义修剪以消除语义和结构上冗余的代码，引入分支再生以重新生成代码并保持多样性。对 CVRPLib 上的大量实验表明，LaF-MCTS 能够自主组合并优化分解增强型求解器，超越各种最先进的 CVRP 求解器。
引用
@article{arxiv.2605.03339,
title = {Automated Large-scale CVRP Solver Design via LLM-assisted Flexible MCTS},
author = {Tong Guo and Caishun Chen and Yew Soon Ong},
journal= {arXiv preprint arXiv:2605.03339},
year = {2026}
}