DRAGON：面向大规模组合优化的LLM驱动的分解与重构智能体
人工智能
2026-03-03 v2
摘要
大型语言模型最近通过基于提示的策略在解决组合优化问题上显示出前景。然而，它们的可扩展性和泛化能力仍然有限，并且随着问题规模增大，其有效性会下降，尤其是在涉及超过30个节点的路径规划问题中。我们提出了DRAGON，即分解与重构智能体引导的优化，这是一个结合了元启发式设计和LLM推理优势的新颖框架。从一个初始全局解开始，DRAGON自主识别具有高优化潜力的区域，并策略性地将大规模组合优化问题分解为可管理的子问题。然后，每个子问题被重新表述为一个简洁的、局部化的优化任务，并通过由累积经验引导的针对性LLM提示来解决。最后，局部优化的解被系统地重新整合到原始全局上下文中，以产生显著改善的整体结果。通过与优化环境持续交互并利用自适应经验记忆，智能体从反馈中迭代学习，有效地将符号推理与启发式搜索结合起来。实证结果表明，与现有仅限于小规模实例的基于LLM的求解器不同，DRAGON在TSPLIB、CVRPLIB和Weibull-5k装箱基准测试上始终能产生可行解，并在超过300万个变量的背包问题上实现了接近最优的结果（差距0.16%）。这项工作展示了反馈驱动的语言智能体作为可泛化和可解释的大规模优化新范式的潜力。
引用
@article{arxiv.2601.06502,
title = {DRAGON: LLM-Driven Decomposition and Reconstruction Agents for Large-Scale Combinatorial Optimization},
author = {Shengkai Chen and Zhiguang Cao and Jianan Zhou and Yaoxin Wu and Senthilnath Jayavelu and Zhuoyi Lin and Xiaoli Li and Shili Xiang},
journal= {arXiv preprint arXiv:2601.06502},
year = {2026}
}
备注
This paper has been accepted for presentation and publication at the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), source code: https://github.com/skychan/DARGON