Large Language Model-Based Automatic Formulation for Stochastic Optimization Models

文章主要内容与创新点总结

一、主要内容

该研究首次对大型语言模型（LLMs，以ChatGPT为代表）从自然语言描述中自动构建和求解随机优化问题的性能展开系统性整合研究。研究聚焦联合机会约束模型、个体机会约束模型、两阶段随机线性规划（SLP-2）及其确定性对应模型（DLP-2）这四类核心问题，设计了多种提示策略（如思维链提示、多智能体提示等）引导ChatGPT完成结构化任务。

研究提出了一种新的软评分指标，用于评估生成模型的结构质量和部分正确性，以解决传统标准准确性和基于执行的准确性评估方法的局限性。通过在多种随机问题上进行实验，对比了GPT-3.5-Turbo、GPT-3.5-16K、GPT-4.0、GPT-4.0-Turbo等模型的性能，结果显示GPT-4-Turbo在部分得分、变量匹配和目标准确性方面表现最优，且cot_s_instructions和agentic是最有效的提示策略。同时，研究还构建了多智能体框架，让不同功能的ChatGPT智能体协作完成建模子任务，并通过实验分析了不同模型、提示方法在各类问题上的表现及可重复性。

二、创新点

1. 首次系统性应用：首次将LLMs系统性地应用于随机优化问题（包括SLP-2和机会约束模型），实现从自然语言直接构建模型。
2. 定制化提示策略：针对随机优化问题设计定制化提示策略，包括逐步推理和问题特定指令，如适用于SLP-2问题的cot_s_instructions提示策略。<