自ChatGPT引爆大模型热潮以来，一个非常前沿的交叉领域正在迅速崛起：大模型+组合优化。从TSP、VRP等经典路径优化问题，到NP-hard调度难题的启发式自动生成...大模型正在以惊人的速度重塑组合优化的研究范式。

据不完全统计，近两年ACM Computing Surveys、ACL、AAAI、NeurIPS等顶刊顶会已发表相关论文数百篇，系统性综述超过10篇！显然这方向正处于学术热度的黄金窗口期。

本文精心筛选了大模型+组合优化最具代表性的16篇前沿成果，涵盖四大核心方向：LLM 超启发式、LLM 智能体引导搜索、端到端 LLM 微调、以及自然语言→优化建模，旨在帮助大家快速建立对该领域的整体认知，精准定位自身研究方向。

全部论文+开源代码需要的同学看文末

【ICML 2026】Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization

方法：该文提出E2OC大模型协同框架，将多目标组合优化的算子协同设计建模为马尔可夫决策过程，依托大模型生成算子设计思路，结合蒙特卡洛树搜索渐进探寻多算子组合策略，搭配算子轮换机制协同进化优化策略与可执行代码，自动生成适配多目标组合优化的进化算子。

创新点：

• 针对现有方法仅单独优化单一算子、忽略算子间耦合的缺陷，把多算子协同设计建模为马尔可夫决策过程，实现多算子联合进化。

• 提出E2OC框架，融合大模型、蒙特卡洛树搜索渐进检索算子设计思路，搭配算子轮换迭代机制，协同进化优化策略与可执行算法代码。

• 在柔性作业、多目标TSP两类经典组合优化问题上验证，相比人工设计算子与同类自动启发式方法，算法帕累托前沿收敛性和多样性均显著提升。

实验结果：在多目标柔性作业调度、多目标TSP两类组合优化问题上，E2OC生成的算子相比人工设计、现有LLM自动启发式算法，取得更优HV与IGD指标，泛化性能更强。

【ACL 2026】Reasoning in a Combinatorial and Constrained World: Benchmarking LLMs on Natural-Language Combinatorial Optimization

方法：本文提出NLCO基准，在纯自然语言描述的组合优化任务下，不依赖外部求解器，直接评测大模型端到端完成约束下离散决策求解的推理能力，并从四层分类维度分析模型在不同结构、规模问题上的可行性与最优性表现。

创新点：

• 提出NLCO评测基准，让大模型仅靠文本直接求解组合优化问题，禁止调用外部求解器，覆盖43类优化任务、多难度实例。

• 设计四层任务分类框架，能按变量、约束、目标等维度，定位模型推理出错的问题结构。

• 搭建完整评测流程，用可行性、最优性、token消耗三类指标评估模型，还对比了模型写求解代码的表现。

实验结果：各类大模型仅在小规模组合优化问题上能保证较高可行度与最优解精度，实例规模增大后性能显著下滑，图结构、瓶颈目标类任务最难，增加推理token仅小幅提升效果，且模型直接解题弱于生成求解代码。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏