Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning

文章总结与翻译

一、文章主要内容

本文聚焦于通过大型语言模型（LLMs）实现自动化优化建模（OM），旨在解决传统优化建模依赖领域专家、耗时且易出错的问题，同时应对当前LLM驱动的优化建模方法存在的基准标注错误率高、评估范围窄、计算效率低三大挑战。

1. 研究背景与现存问题

• 优化建模的重要性与挑战：优化建模是解决物流、工业生产等领域复杂决策问题的核心方法，但需专家完成非结构化问题理解、数学模型构建、编程实现等步骤，过程耗时且易出错，限制了其广泛应用。
• LLM的潜力与不足：LLM具备自然语言理解和推理能力，且能与外部求解器交互，为自动化优化建模提供可能。但当前方法存在三大问题：基准数据集标注错误率高达42%；评估仅关注最优值，忽略建模过程分析；多智能体系统或模型微调导致计算成本高。

2. 核心解决方案

• 数据集优化：对现有3个数据集（ComplexOR、NLP4LP、IndustryOR）进行系统纠错和补充标注（如数学模型、求解代码、问题特征），同时新构建物流领域基准数据集LogiOR，包含92个复杂问题，覆盖线性规划（LP）、整数线性规划（ILP）等多种类型，提供标准化标注以支持全面评估。
• ORThought框架设计：提出基于专家级优化建模原则和思维链（CoT）推理的ORThought框架，包含两个核心智能体：