论文
通过强化学习增强大语言模型智能体，以求解复杂车辆路径问题
Reinforcement Learning Enhanced LLM Agents for Complex Vehicle Routing Problems
摘要
车辆路径问题（VRP）是基本的组合优化问题，在各种场景中都有广泛的应用。先进的优化求解器可以有效地解决此类问题。然而，为求解器建模复杂的 VRP 变体通常需要大量的领域专业知识，这限制了高级优化技术的可访问性。在本文中，我们提出了强化学习增强型 LLMAgents（RLEA），这是一种多智能体框架，旨在自动化复杂 VRP 的建模。 RLEA 引入了一个经过 Soft Q-learning 训练的轻量级神经规划器，可以有效地协调基于 LLM 的代理的动作。此外，我们为系统配备了进化记忆模块和检索增强生成，使代理能够在程序生成和细化过程中利用积累的经验和外部求解器知识来解决 VRP。我们评估了不同求解器中的 48 个不同的 VRP 变体。实验结果表明，RLEA 优于之前最先进的方法，成功率提高了 16.67%，同时显着减少了运行时错误。这些结果验证了将强化学习与基于 LLM 的推理相结合对于自动化优化建模非常有效。该附录可在以下网址获取：https://doi.org/10.5281/zenodo.19134435。
