EvoOpt-LLM：用大语言模型演化工业优化模型

经由混合整数线性规划（MILP）的优化建模是工业计划与排程的基础，但把自然语言需求转化为求解器可执行模型，并在业务规则演变时加以维护，仍然高度依赖专业知识。尽管大语言模型（LLM）提供了有前景的自动化途径，现有方法常受制于数据效率低、求解器层面有效性有限以及对工业规模问题可扩展性差。为应对这些挑战，我们提出 EvoOpt-LLM，一个支持工业优化建模全生命周期的统一 LLM 框架，包括自动化模型构建、动态业务约束注入与端到端变量剪枝。EvoOpt-LLM 基于 7B 参数 LLM 并经参数高效的 LoRA 微调适配，仅用3,000个训练样本就达到91%的生成率与65.9%的可执行率，关键性能增益在1,500个样本下即已显现。约束注入模块能在保留原目标的同时可靠地增强既有 MILP 模型，变量剪枝模块提升计算效率，仅用400个样本就在中等规模 LP 模型上取得约0.56的 F1 分数。EvoOpt-LLM 展示了一条务实的、数据高效的工业优化建模路径，在减少对专家干预依赖的同时提升了适应性与求解器效率。