arXiv cs.AI· Andr\'e Hottung, Federico Berto, Chuanbo Hua, Nayeli Gast Zepeda, Daniel Wetzel, Michael R\"omer, Haoran Ye, Davide Zago, Michael Poli, Stefano Massaroli, Jinkyoo Park, Kevin Tierney·· 11 小时前AI 评分41
VRPAgent：LLM 驱动的车辆路径问题启发式算子发现框架
VRPAgent: LLM-Driven Discovery of Heuristic Operators for Vehicle Routing Problems
AI 导读
VRPAgent 将 LLM 生成的算子嵌入共享元启发式框架，并用遗传搜索迭代优化，在容量约束 VRP、带时间窗 VRP 和奖励收集 VRP 上发现的启发式算子优于手工方法与近期学习方法，且仅需单个 CPU 核心。该框架通过让 LLM 只生成问题特定算子来保证正确性并控制任务复杂度，作者称其是最早推动 VRP 达到 SOTA 的 LLM 方法之一，论文已发表于 TMLR。
正文 · AI 翻译
作者：André Hottung、Federico Berto、Chuanbo Hua、Nayeli Gast Zepeda、Daniel Wetzel、Michael Römer、Haoran Ye、Davide Zago、Michael Poli、Stefano Massaroli、Jinkyoo Park、Kevin Tierney
摘要：为车辆路径问题（VRP）设计高性能启发式算法是一项复杂的任务，既需要直觉，也需要深厚的领域知识。基于大语言模型（LLM）的代码生成近来在多个领域展现出前景，但仍无法生成可与人类专家所设计的启发式算法相媲美的结果。本文提出 VRPAgent，这是一个面向 VRP 的框架，它将 LLM 生成的组件集成到元启发式算法中，并通过一种新颖的遗传搜索对其进行改进。VRPAgent 利用 LLM 生成问题特定的算子，并将其嵌入一个共享的 VRP 元启发式框架中，从而使任务保持可控、保证正确性，同时仍能发现新颖而强大的策略。在多个 VRP 上，包括带容量约束的 VRP、带时间窗的 VRP 以及带收益的 VRP，我们的方法发现的启发式算子优于手工设计的方法和近期的基于学习的方法，且仅需单个 CPU 核心。据我们所知，VRPAgent 是首批推动 VRP 领域最先进水平发展的基于 LLM 的方法之一，凸显了自动化启发式发现的广阔前景。
| 评论： | 发表于 TMLR |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2510.07073 [cs.AI] |
| （或本版本的 arXiv:2510.07073v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2510.07073 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：André Hottung [查看邮箱]
[v1]
2025年10月8日星期三 14:35:09 UTC（1,616 KB）
[v2]
2026年10月20日星期二 11:07:50 UTC（1,670 KB）
来源：arXiv cs.AI · arxiv.org