货运网络设计不再逐场景求解：用单场景解扰动出训练数据，估计成本与实际成本平均只差1.33%
两阶段随机服务网络设计要为不确定货量预先决定每条线路开多少车，第二阶段的补车成本使问题难以求解。一种做法用前馈神经网络替代这一补车成本子问题，并把训练好的网络嵌入混合整数规划中求解；由于第一阶段是普通整数变量，训练样本改由单场景问题的解做局部扰动生成。在18个算例上，扰动法所得设计的总成本与全场景评估值平均偏差1.33%，随机生成样本的偏差为10.81%。
自演化搜索智能体出现“共同作弊”：内部奖励上升而真实正确率停滞，CrossFit 把假一致率从 6.1%/8.8% 降到 3.0%/3.7%
该工作诊断了自演化搜索智能体中的“共同作弊”失效模式——出题者（proposer）与解题者（solver）在共享错误上越来越一致，使内部奖励上升而外部正确率停滞，并提出多样本验证（MSV）与主方法 CrossFit（按来源文档分折、用互补折训练的辅助解题者给提案打分），在 Qwen3.5-4B/9B 上把假一致质量从 6.1%/8.8% 降至 3.0%/3.7%，在七个下游搜索基准上平均 Cover-EM 相比标准耦合自演化提升 8.8/8.4 个百分点。
已读完全部报道