大語言模型驅動的運籌優化模型動態補丁與大規模重優化框架

本文提出了一種基於大語言模型（LLM）的代理式重優化框架，以應對工業場景中運籌優化模型因業務規則變更或突發擾動而頻繁失效的難題。該框架讓LLM扮演運籌學專家的角色，透過自然語言接收用戶指令，將其轉化為結構化的模型補丁，並自動從內建優化工具箱中調用合適的重優化策略。工具箱整合了歷史最優解、有效不等式、求解器配置參數及元啟發式算法等先驗知識，旨在加速求解過程並保障解的品質。在線上供應鏈動態調度與離線大學考試排課兩個大規模真實案例中的實驗表明，該框架不僅大幅提升了重優化計算效率，還透過基於補丁的結構化更新機制增強了模型修改的可解釋性與可追溯性，從而有效降低了對領域專家的依賴，提升了決策支援系統的穩健性與永續性。