基于大语言模型的路由问题多目标不可行诊断
人工智能
2025-08-06 v1
摘要
在实际的路由问题中，用户常常会提出相互冲突或不合理的要求，导致优化模型因过于严格或相互矛盾的约束而产生不可行，进而导致可行解集为空。现有基于大语言模型(LLM)的方法尝试诊断不可行模型，但修改此类模型通常涉及多个可能的调整，而这些方法未予考虑。为填补这一空白，我们提出了多目标不可行诊断(MOID)，将 LLM 智能体与多目标优化结合于自动路由求解器中，以提供一组具代表性的可操作建议。具体而言，MOID 使用多目标优化考虑路径成本和约束违规，生成一组权衡解，每组解包含不同程度的模型调整。为从这些解中提取实用见解，MOID 利用 LLM 智能体为不可行模型生成一个解分析函数。该函数分析这些不同的解，以诊断原始不可行模型，为用户提供多样化的诊断见解和建议。最后，我们在 50 种不可行路由问题上将 MOID 与几个 LLM 方法进行比较。结果表明，MOID 能够在单次运行中自动生成多个诊断建议，为恢复模型可行性和决策提供了比现有方法更具实用性的见解。
引用
@article{arxiv.2508.03406,
title = {Multi-Objective Infeasibility Diagnosis for Routing Problems Using Large Language Models},
author = {Kai Li and Ruihao Zheng and Xinye Hao and Zhenkun Wang},
journal= {arXiv preprint arXiv:2508.03406},
year = {2025}
}