用LLM智能体改进约束模型

约束规划（CP）求解器的运行时间对建模选择高度敏感，例如对称性破除、隐含约束、全局约束、约束重构和变量表示。改进这些约束模型传统上依赖人类专家，而现有的自动重构系统局限于预定义的手工转换规则库。我们提出一个agentic框架，转而从开放式空间重构约束模型，并通过经验方式而非构造方式确立正确性：大语言模型（LLM）智能体在给定一个模型和三个训练实例的情况下，提出替代形式化方案，通过将其解注入原模型来逐一验证，诊断并修复失败，中位数约15分钟内返回其找到的最优变体。模型用CPMpy建模库表达，每个提出的模型在三个更大的测试实例上评估。在九个组合优化问题上，生成的模型在27个测试实例中的21个上优于原模型，部分问题的求解速度快两个数量级以上。与复用相同验证和选择工具的非agentic基线相比，结果表明收益来自智能体的迭代诊断与修复，而不仅仅是采样多个候选。这些结果证明自主的agentic方法能够支持约束模型的改进。