LLMs Can Design Near-Optimal OR Algorithms
LLM 能设计近最优运筹优化算法
🧭 LLM 算法设计 · 运筹优化
未微调的 frontier LLM 在库存、排队网络、品类优化上生成算法，匹配或超过现有专用方法
📌 工作参考价值
- 在电商/广告中，品类优化（assortment）、库存分配、预算 pacing、实时请求路由等定义清晰的约束优化问题，可快速用 frontier LLM + Python sandbox 生成策略算法作为 baseline，再与手写规则或求解器对比；固定 compute budget 可控制线上可行性。
- 优先采用 Level 2 方式：让 LLM 只根据问题类描述和参数范围输出「参数→决策」的算法函数，而不是逐实例求解；这样得到的策略可直接部署到实时系统，并在未见参数上做离线评估。
- Prompt 无需复杂调优：简单描述问题、目标、约束和可用工具，LLM 即可写出可执行代码；这对快速原型验证、A/B 测试前的候选策略生成很实用。
- 注意：该方法适用于目标函数和约束都能明确写出的优化场景；对依赖隐式反馈或需要从数据中学习的推荐排序任务，LLM 生成算法可能只能解决局部优化子问题，仍需与 ML 模型结合。
动机：运筹优化问题通常依赖专家设计专用算法，LLM 是否能自动生成近最优算法？
方法：在库存控制、排队网络控制、品类优化三个问题上，测试两种使用层级：Level 1 给定单个实例返回解；Level 2 仅给定问题类描述和参数范围，返回一个从参数到解的算法。使用未调优 prompt，LLM 可调用 Python sandbox 与固定计算预算。
结果：最强模型 gpt-5.6-sol 在几乎所有评估实例上匹配或超过现有最佳方法；Level 2 返回的算法在未见实例上仍保持优势；模型能力在不到 8 个月内快速提升。
结论：对于定义良好的 OR 问题，单次未调优 LLM 查询即可产生与专用方法竞争的算法，frontier LLM 可作为严肃的经验基线。