用LLM引导的模型补丁实现大规模再优化的普惠化

由运筹学 (OR) 专家开发的优化模型通常在工业环境中部署为决策支持系统。然而，现实世界的环境是动态的，具有不断变化的业务规则、以前被忽视的约束以及不可预见的扰动。在这种情况下，最终用户必须快速重新优化模型以恢复可行且可实施的解决方案。本文介绍了一种代理重新优化框架，其中大语言模型 (LLM) 充当 OR 专家，通过自然语言交互动态支持最终用户。 LLM 将用户提示转换为底层优化模型的结构化更新，从优化工具箱中选择合适的重新优化技术，并解决生成的实例以返回可实施的解决方案。该工具箱利用原始信息，包括历史解决方案、有效不等式、求解器配置和元启发法，在保持解决方案质量的同时加速重新优化。所提出的框架能够对已部署的优化模型进行交互式和持续的调整，减少对 OR 专家的依赖，并提高决策支持系统的可持续性。对两个互补的大规模现实案例研究的广泛实验证明了所提出框架的有效性和可扩展性。第一个考虑在线供应链重新优化，其中解决方案必须快速生成，同时保持接近部署的计划，而第二个则侧重于离线大学考试安排，其中解决方案质量优先于运行时间。结果表明，工具箱驱动的架构通过基于原始和求解器感知的重新优化技术显着提高了计算效率，而基于结构化补丁的更新提高了模型修改的可解释性和可追溯性。