RouteRepair：基于 LLM 的自动启发式路由优化设计中的实例级故障诊断和有针对性的修复

高效的路线优化对于货运、城市物流和共享出行至关重要，这些领域在有限的计算预算下通常需要高质量的启发式算法。最近基于大语言模型（LLM）的自动启发式设计方法可以生成有效的路由规则，但聚合评估可能会掩盖特定实例结构上反复出现的故障。为了解决这一限制，本研究开发了 RouteRepair，它可以从实例级性能诊断父级特定的弱点，并对相应的启发式组件进行有针对性的修改，同时保护已经表现良好的行为。路由证据、求解器行为和程序上下文相结合来定义有界修复目标，并且通过对故障恢复和附带退化的匹配亲子评估来验证每个干预措施。旅行商问题 (TSP) 和容量车辆路径问题 (CVRP) 的实验涵盖构造性搜索、引导局部搜索和蚁群优化。 RouteRepair-GLS 将平均 TSP 最优性差距从 1.7476% 减少到 0.7587%，而建设性 CVRP 启发式相对于节省启发式将平均路由成本降低了 1.91%；生成的 ACO 先验也优于匹配的手工设计先验。这些结果表明，故障感知、证据约束的细化可以改进困难实例上的路由启发式方法，同时保留已经很好解决的案例的性能。