Discovering Heuristics with Large Language Models (LLMs) for Mixed-Integer Programs: Single-Machi...

文章主要内容总结

该研究聚焦于单机器总 tardiness 调度问题（SMTT，1∥∑Tⱼ）——一类NP难混合整数规划（MIP）问题，目标是在单台机器上无抢占式处理n个作业，通过优化作业顺序最小化总延迟时间（Tⱼ=max{0, Cⱼ-dⱼ}，其中Cⱼ为作业完成时间，dⱼ为截止日期）。研究核心是利用大型语言模型（LLMs）的能力，结合岛式进化框架和启发式迭代优化，发现新的高效调度启发式算法。

研究设计了基于LLM的启发式发现流水线：以经典启发式（EDD、SPT、MDD）为初始输入，通过提示工程引导LLM生成改进算法，经系统评估器验证可行性和性能后，将有效算法存入数据库迭代优化。最终提出两种新算法：

1. EDD Challenger（EDDC）：基于最早截止日期（EDD）规则，加入局部搜索逻辑，优化序列末尾作业的顺序以减少延迟；
2. MDD Challenger（MDDC）：基于改进截止日期（MDD）规则，引入动态评分调整机制（ρ、θ、σ等子评分项），迭代计算未调度作业的优先级。

通过在20、100、200、500个作业的实例上进行测试，对比经典启发式（EDD、MDD、PSK等）和精确方法（MIP、动态规划、分支记忆算法），结果显示：

• EDDC优于原始EDD和Panneerselvam启发式，优化间隙显著降低；
• MDDC（含增强版Augmented MDDC）在各问题规模下持续优于传统启发式，且在大规模复杂实例中与精确方法竞争力相当；
• 算法仅通过25个作业的训练数据，