OptiSMR：一个统一的框架，用于结构化推理和自修复多智能体系统，旨在提升泛化能力

《Knowledge-Based Systems》：OptiSMR: A unified framework for structured reasoning and self-repairing multi-agent system optimized for generalization

　　

Juan Chen|Huibin Wang|Lili Zhang

摘要

优化问题在各个领域中普遍存在；然而，它们的构建和解决长期以来一直严重依赖于专家知识。尽管大型语言模型在自动化这些任务方面展现出巨大潜力，但它们在处理异构问题、保持推理鲁棒性以及实现自主进化方面的能力有限，这限制了真正优化泛化的实现。为了解决这些挑战，本研究提出了OptiSMR，这是一个旨在提升优化泛化的统一框架。在给定自然语言问题描述的情况下，OptiSMR利用提示引导的结构化思维链来分解问题，并提取关键组件，如参数、变量、目标和约束条件。这一过程构建了一个能够表示多种类型优化问题的通用结构化模型。在此基础上，OptiSMR引入了多智能体协作架构，通过任务专业化和闭环错误处理来提高准确性和鲁棒性。此外，基于变量-约束二分图的图局部最小击中集修复方法将错误定位和纠正重新定义为一种可解释的优化过程，从而实现精确高效的自动修复。同时，还集成了一种语义引导的自我验证机制，以抑制错误可行解的生成，并促进持续的经验积累和系统的自主进化。在涵盖资源调度、路径规划和制造等16个应用领域的6个真实世界数据集上进行的广泛实验表明，OptiSMR能够有效建模线性、非线性和混合整数规划问题。与最优基线方法相比，该框架的平均解决方案准确率提高了8.3%。