From Words to Routes: Applying Large Language Models to Vehicle Routing_from words to routes appling large language models-优快云博客

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/139407433

本文探讨了如何利用大型语言模型（LLM）解决车辆路线问题（VRP）。研究发现，直接从自然语言任务描述生成代码的提示方式在GPT-4中效果最佳，实现56%的可行性、40%的最优性和53%的效率。通过自我反思框架，性能进一步提升。研究还揭示了任务描述细节对LLM性能的影响，细节缺失会降低可行性、最优性和效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《From Words to Routes: Applying Large Language Models to Vehicle
Routing》的翻译。

摘要

LLM通过自然语言任务描述在机器人技术（如操纵和导航）方面取得了令人印象深刻的进展。LLM在这些任务中的成功让我们想知道：LLM用自然语言任务描述解决车辆路线问题（VRP）的能力是什么？在这项工作中，我们分三个步骤来研究这个问题。首先，我们构建了一个包含21种类型的单车或多车路线问题的数据集。其次，我们评估了LLM在文本到代码生成的四种基本提示范式中的性能，每种范式都涉及不同类型的文本输入。我们发现，直接从自然语言任务描述生成代码的基本提示范式在GPT-4中表现最好，实现了56%的可行性、40%的最优性和53%的效率。第三，基于LLM在最初尝试时可能无法提供正确的解决方案的观察，我们提出了一个框架，使LLM能够通过自我反思（包括自我调试和自我验证）来完善解决方案。使用GPT-4，我们提出的框架实现了16%的可行性提高、7%的最优性提高和15%的效率提高。此外，我们研究了GPT-4对任务描述的敏感性，特别关注当任务描述中省略了某些细节，但保留了核心含义时，其性能如何变化。我们的研究结果表明，这种遗漏会导致性能显著下降：可行性下降4