PyVRP$^+$: 基于元认知启发式演化的 LLM 混合遗传搜索
神经与进化计算
2026-04-10 v1 人工智能
摘要
为 NP 难组合优化问题（如车辆路径问题 VRP）设计高性能元启发式方法仍是一大挑战，往往需要大量的领域专业知识和手动调参。近期研究表明，大语言模型（LLM）有望通过演化搜索自动化这一过程。然而，现有方法大多是被动式的，依赖即时性能反馈来指导本质上是黑箱代码变异。我们的工作通过引入元认知进化编程（MEP）框架，使 LLM 成为具有战略发现能力的代理人。与仅仅依赖性能分数作出反应不同，MEP 要求 LLM 在结构化的 Reason-Act-Reflect 循环中，明确诊断失败、形成设计假设并基于提供的领域知识实施解决方案。通过将 MEP 应用于演化核心组件的混合遗传搜索（HGS）算法，我们发现了显著优于原始基线的新型启发式方法。通过引导 LLM 就探索-开发权衡进行战略推理，我们的方法发现了更有效且更高效的启发式方法，适用于广泛的 VRP 变体。我们的结果表明，MEP 发现的数学习得的启发式方法在 VRP 变体方面相比原始 HGS 基线实现了显著的性能提升，提升解的质量最高可达 2.70%，运行时间缩短超过 45%。
引用
@article{arxiv.2604.07872,
title = {PyVRP$^+$: LLM-Driven Metacognitive Heuristic Evolution for Hybrid Genetic Search in Vehicle Routing Problems},
author = {Manuj Malik and Jianan Zhou and Shashank Reddy Chirra and Zhiguang Cao},
journal= {arXiv preprint arXiv:2604.07872},
year = {2026}
}
备注
18 pages, accepted to the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)