MAPLE：利用语言和进化进行记忆增强规划

领域从业者了解他们的业务限制，但可能缺乏运筹学专业知识或专门支持。基于 LLM 的优化智能体将自然语言需求转换为已建立的优化工具可以执行的模型或求解器程序。这一进展使优化变得更加容易，但现实世界的操作是动态的：不断变化的需求、资源和优先级需要更新数据、约束和目标。以孤立请求为中心的方法为快速适应提供有限的支持，从而保留早期决策并重用有用的搜索结果。我们引入了 MAPLE（语言和进化的记忆增强规划），它是一种通过连续的自然语言请求来维护优化问题的智能体。 MAPLE 将基于语言的问题构建与数学编程和进化搜索相结合。它保留优化计划、已接受的计划、早期更新以及后续请求的候选解决方案。我们引入了 NLDO，这是一个包含 15 个轨迹和 180 个更新的基准，涵盖选择、调度、排班、路由和云资源放置。在主要评估中，MAPLE 完成了所有轨迹，并实现了 0.951 的在线标量质量和 0.875 的 Pareto 超体积比。受控比较进一步表明，维护可执行状态可以提高更新有效性，并且可以在重大修订中保留有用的搜索信息。