# 基于大语言模型的优化建模

把自然语言优化问题翻译成求解器代码时，模板检索的质量决定成败。此前结构化检索依赖固定的或由大模型在推理时临时决定的遍历规则，无法从过去的成功与失败中改进。COMPASS把模板库组织成有向无环图，用深度Q网络从模板级判断和求解器执行反馈中学习可复用的遍历策略，并在共享语义空间中对新插入模板打分；在多个大模型骨干和优化建模基准上，它稳定优于启发式结构化检索，复杂与混合类别问题上的提升最大。

把自然语言优化问题翻译成求解器代码时，模板检索的质量决定成败。此前结构化检索依赖固定的或由大模型在推理时临时决定的遍历规则，无法从过去的成功与失败中改进。COMPASS把模板库组织成有向无环图，用深度Q网络从模板级判断和求解器执行反馈中学习可复用的遍历策略，并在共享语义空间中对新插入模板打分；在多个大模型骨干和优化建模基准上，它稳定优于启发式结构化检索，复杂与混合类别问题上的提升最大。