Jul 30, 2026 · LLM-Guided Evolutionary Search for Constraint Model Reformulation
LLM-Guided Evolutionary Search for Constraint Model Reformulation to Improve Solver Efficiency
arXiv 论文 2607.28268v1 提出用 LLM 引导进化搜索来重构约束模型以提升求解器效率。方法受自动启发式设计启发，LLM 提出候选重构，经基准验证。引入 Profile-Diverse Retention (PDR)，用最大边际相关性对实例级运行时向量去重，保留行为多样的尝试。
EVENT STORY
Development
- First ReportLLM-Guided Evolutionary Search for Constraint Model Reformulation to Improve Solver EfficiencyarXiv cs.AI
- Current Assessment约束求解在调度、物流等领域有应用，LLM 自动重构模型可能降低建模门槛。可验证信号：是否有工业求解器集成此类自动重构功能。Agent Pulse · analysis
组合优化问题常见于工业应用，通常建模为声明式约束模型并由后端求解器求解。近期研究表明 LLM 能从自然语言生成正确模型，但模型性能对建模选择敏感。本文探索 LLM 能否自动化面向性能的模型重构。受自动启发式设计启发，采用进化框架，LLM 提出候选重构，与用户基线模型对比验证。比较多种保留策略，现有策略侧重最近或最优，缺乏多样性。提出 PDR，用 MMR 基于实例级运行时向量保留行为多样的尝试。
PDR 用 MMR 对实例级运行时向量做多样性筛选，可能避免进化搜索陷入局部最优。可验证信号：后续工作是否在更多约束求解基准上复现 PDR 的增益，或对比其他多样性策略。
约束求解在调度、物流等领域有应用，LLM 自动重构模型可能降低建模门槛。可验证信号：是否有工业求解器集成此类自动重构功能。
对使用约束求解的企业，自动重构可能减少人工调优成本，但当前为研究阶段，价值待验证。可验证信号：是否有商业求解器或平台采用类似技术。
若 PDR 有效，可能推动 LLM 辅助建模工具发展，但需更多基准验证。可验证信号：论文是否公开代码和基准结果。