OR-Tools
PulseAugur coverage of OR-Tools — every cluster mentioning OR-Tools across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新RL方法可自动从自然语言生成优化模型
研究人员开发了一种名为“从求解器结果中建模优化”(OMSO)的新方法,该方法使用强化学习从自然语言描述中自动创建优化模型。该方法通过与数学规划求解器交互来训练模型,将执行结果转化为奖励。OMSO旨在提高可扩展性,并减少对昂贵的流程监督或闭源LLM的依赖,在Gurobi和OR-Tools等各种数据集和求解器上均显示出有效性。
-
AI 助手现已集成约束求解器以进行生产调度
已开发一款新的开源 MCP 服务器,用于将 AI 助手与约束求解器集成以进行生产调度。该工具允许用户与 AI 交互以创建生产计划,然后将该计划传递给 Google 的 OR-Tools CP-SAT 求解器进行数学验证和优化。该服务器可以处理机器停机时间、订单优先级,并为任何延迟提供详细解释,生成 Mermaid 甘特图进行可视化。
-
深度学习和启发式算法在车辆路径问题效率上媲美精确求解器
研究人员开发了“Smart Routes”平台,用于比较解决复杂车辆路径问题的算法。该系统集成了精确求解器、启发式方法以及一个名为 JAMPR 的深度学习模型。实验表明,对于较大的问题规模(50辆和100辆车),深度学习和启发式方法在路线成本上与精确求解器相当,但计算时间显著减少。
-
LLM 生成的求解器在组合问题上陷入“启发式陷阱”
研究人员开发了一个新的基准 CP-SynC-XL,包含 100 个组合问题,用于评估大型语言模型 (LLM) 如何合成可执行求解器。他们的发现表明,使用 LLM 为 OR-Tools 等现有求解器(在 Python 中)形式化问题,比在 MiniZinc 中进行声明式建模能获得更高的正确性。提示 LLM 同时优化搜索策略,仅带来了微小的速度提升,并且在许多问题上正确性显著下降,这归因于“启发式陷阱”,即 LLM 用近似值替换完整搜索或…