本文提出PARCO（并行自回归模型）来解决多智能体组合优化问题（如多旅行商问题）。传统方法面临自回归模型速度慢或非自回归模型质量差的两难困境。PARCO通过三个创新实现高效协同优化：(1)并行自回归生成，允许多智能体同步决策；(2)Transformer通讯机制，实现智能体间信息交换；(3)多指针机制和基于优先级的冲突处理算法。实验表明PARCO在质量和速度上均优于传统方法，为大规模多智能体协同优

本文提出了一种自动化修复歧义性自然语言需求的方法SPECFIX，旨在提升大语言模型（LLM）代码生成的准确性。研究指出，自然语言描述的歧义会导致LLM生成偏离意图的代码，而现有方法依赖人工澄清，效率较低。SPECFIX通过分析描述诱导的程序分布，结合输入输出样例，自动修复歧义描述。具体贡献包括：1）首个针对LLM代码生成的自然语言描述修复方法；2）提出样例一致性（EC）指标，衡量生成程序与样例的匹

本文提出了一种自动化修复歧义性自然语言需求的方法SPECFIX，旨在提升大语言模型（LLM）代码生成的准确性。研究指出，自然语言描述的歧义会导致LLM生成偏离意图的代码，而现有方法依赖人工澄清，效率较低。SPECFIX通过分析描述诱导的程序分布，结合输入输出样例，自动修复歧义描述。具体贡献包括：1）首个针对LLM代码生成的自然语言描述修复方法；2）提出样例一致性（EC）指标，衡量生成程序与样例的匹

摘要： 本文提出 AutoCO 框架，利用大型语言模型（LLM）解决约束优化问题（COPs）。传统方法在处理硬约束时易陷入局部最优或无法找到可行解，而 AutoCO 通过 约束松弛策略 动态调整可行域，结合 三元表示（松弛策略、算法思想、代码）和 双向协同演化（EA局部优化 + MCTS全局搜索），实现更高效的求解。实验表明，AutoCO 在三个基准测试中平均降低 24.7% 的最优性差距，显著优

本文提出PARCO（并行自回归模型）来解决多智能体组合优化问题（如多旅行商问题）。传统方法面临自回归模型速度慢或非自回归模型质量差的两难困境。PARCO通过三个创新实现高效协同优化：(1)并行自回归生成，允许多智能体同步决策；(2)Transformer通讯机制，实现智能体间信息交换；(3)多指针机制和基于优先级的冲突处理算法。实验表明PARCO在质量和速度上均优于传统方法，为大规模多智能体协同优

本文研究灾害救援中的随机选址-路由问题，提出卡车与无人机协同配送的两阶段随机规划模型。第一阶段确定救援中心选址，第二阶段根据灾后道路状态优化卡车路径与无人机调度，以最小化期望平均到达时间。针对灾后路网稀疏性和重复访问特点，采用商品流方法隐式建模到达时间。为应对计算复杂度，设计了变邻域搜索算法，外层优化选址决策，内层评估跨场景的路由方案。实验表明该方法能有效平衡解质量与计算效率，为灾前应急物流规划提

【文献笔记】为了解决DoT问题，论文提出了一个多代理辩论( Multi-Agent Debate，MAD )框架：多个代理以“针锋相对”的状态表达他们的论点，一名裁判管理辩论过程以获得最终解决方案。MAD框架鼓励LLM的发散思维，这对需要深层思考的任务非常有帮助

本文提出Mixture-of-Agents（MoA）框架，通过分层协作方式增强大语言模型能力。研究表明，多个能力互补的LLM通过结构化协作可显著提升输出质量，而不仅依赖单一强模型。MoA框架将模型分为提案者（proposer）和聚合者（aggregator），通过迭代式综合与精炼生成更优答案。实验表明，纯开源模型的MoA在AlpacaEval 2.0上胜率达65.1%，超越GPT-4 Omni（5

论文提出LEAN-LLM-OPT框架，通过轻量级少样本学习方法实现大规模优化模型的自动构建。该框架采用三个LLM代理协同工作：问题分类代理识别问题类型，小样本示例生成代理检索相关示例，模型生成代理分步构建优化模型。相比传统方法，该框架无需大量标注数据和GPU微调，仅需86条参考数据即可实现高性能。在构建的Large-Scale-OR测试集上达到81.43%准确率，显著优于现有方法（45.71%）。

Large Language Models as Evolutionary Optimizers文献笔记。文中提出了一个基于LLM（GPT-3.5 API chat-turbo-0613）的进化算法（LMEA），用于解决经典的旅行商（TSP）问题。LLM在这里的作用是通过提示（prompt）进行父代选择、交叉和变异操作，这构成了进化优化的核心部分。