范式躍遷:LLM+EC重構算法設計范式,華為&港城大奪冠CVRP頂級賽事

機器之心報道

近日，在運籌優化領域的頂級賽事 CVRPLib BKS 全球挑戰賽中，由華為諾亞方舟實驗室、華為云天籌 AI 求解器團隊、華為云加拿大實驗室和香港城市大學張青富教授團隊聯合而成的 “OptVerse-CityU”，憑借“大模型 (LLM)+ 進化計算 (EC)” 的創新技術架構，以顯著優勢斬獲冠軍。在 100 個競賽算例中，聯合團隊 OptVerse-CityU刷新了 98 個歷史最優解，并為其中 51 個算例設立了全新的世界紀錄。這是 AI 參與核心機制設計的算法「首次」在頂級競賽中戰勝人類專家算法，驗證了 AI 在算法設計相關領域的巨大潛能，預示了 AI 對算法設計領域即將帶來的顛覆性變革。

OptVerse-CityU 位列 CVRPLib BKS 榜首

• 榜單地址：https://galgos.inf.puc-rio.br/cvrplib/index.php/en/bks_challenge/score/

一、賽題背景：CVRP—— 物流優化的「基石難題」

在智能制造和供應鏈管理中，有一個公認的最基礎也最核心的問題，叫做“帶容量約束的車輛路徑規劃問題（Capacitated Vehicle Routing Problem，CVRP）”。通俗地講，它研究的是如何用最少的運輸車輛、規劃出最短的行駛路線，同時確保貨物能準時送達每一個客戶，從而實現物流成本最低化與配送效率最大化。

現實中的物流場景遠比這復雜，幾乎所有高階的路徑規劃問題，都是在 CVRP 的基礎上疊加各種現實約束演化而來的。例如，加上時間窗約束，要求貨物必須在特定時間段內送達；加上同時取送貨，讓車輛在配送途中還需回收貨物，導致車內空間動態變化；或是擴展為多倉庫協同調度等?？梢哉f，如果不能高效解決 CVRP 這個 “地基”，任何復雜的物流調度優化都將缺乏穩固的支點。

然而，這個問題在業界屬于公認的算法難題：隨著配送節點數量的增加，可行的路線方案會出現 “組合爆炸”。以 50 個配送點為例，其路線組合數量級遠超普通計算機的實時計算能力；當節點數達到數百個時，傳統算法已難以應對，必須借助局部搜索、遺傳算法等智能優化手段進行高效探索；而當節點數突破千級規模，現有算法的求解效率和解的質量將急劇下降，難以滿足大型企業對實時決策與規模化優化的雙重需求。

二、巔峰對決：「大模型 + 進化計算」斷層領先

CVRPLib 是車輛路徑規劃領域的最具權威性的標準測試庫，是全球算法研究者與業界軟件公司測評與驗證算法的公認基準。本屆 CVRPLib BKS 全球挑戰賽吸引了全球頂尖科研團隊和科技企業，比拼算法先進性和算力效能，持續整整一個月。參賽隊伍需要在 100 個超大規模測試實例（單個算例包含 1,000 至 10,000 個配送點）中不斷刷新最優解，得分取決于每個最優解的霸榜時間。

而賽事組委會在發布初始基線解前，已采用多種公開先進方法進行了多輪隨機運算，確保初始解高度逼近理論最優值。這意味著，任何能夠刷新紀錄的成果，都必須是在算法邏輯層面實現真正的原創性突破。同時，基于霸榜時長的動態積分機制，進一步杜絕了偶然性因素的干擾：唯有經得起時間檢驗、持續領先的解法，方能斬獲高分。

最終，聯合團隊 OptVerse-CityU 在馬拉松式的算法競技中脫穎而出，以 “斷層領先” 的優勢斬獲全球冠軍：

• 得分碾壓：團隊得分 1,800.32，超過其余參賽隊伍分數之和（其余隊伍最高分為 900+）；
• 最優解霸榜：在 100 個測試實例中，成功刷新了 98 個歷史最優解，并為其中 51 個實例確立了全新的行業標桿（New Best Know Solution）。

各隊伍得分時間序列圖

三、技術揭秘：AI 自動設計，重構算法基因

本次奪冠的背后，是聯合團隊在優化算法與 AI 生成領域長期的技術積淀與創新，其方案繼承了此前自主研發，且應用于天籌 MIP 求解器中的Evolution of Heuristics（EoH）算法自動生成系統，并在此基礎上進行了進一步的改進與升華。

Evolution of Heuristics 架構圖

傳統算法設計依賴專家經驗，耗時長且難以超越人類認知局限。本次參賽方案創新性地引入了 “大模型 + 進化計算 “的自動算法設計范式：

• AI 自動設計：利用大模型的生成能力與進化計算的迭代機制，系統能夠日夜兼程地自主構建創新性的算法思想與代碼；
• 核心組件進化：針對求解流程中的擾動算子、參數控制、解接受策略等模塊，AI 實現了 “自動駕駛” 般的自我修正與優化，在探索（Exploration）與利用（Exploitation）之間找到完美平衡。

這一突破意味著，算法研發流程正從 “人工構思 - 手工實現” 轉向 “結構設計 - 自動進化”，AI 正在成為算法創新的加速器。

此外，為了在為期 30 天的賽程中維持高強度的搜索，聯合團隊還部署了一個異步系統級框架。該框架以追蹤全局已知最優解的外部共享數據庫為中心，跨三個并行層級協調多個算法實例，將算力資源發揮到極致。

四、EoH 算法：基于大模型的自動算法設計系統

本次奪冠算法的多個核心組件，由自動算法設計系統迭代生成。所使用的 EoH 算法 [1] 是一種通用的基于大模型的自動算法設計框架，前身為 AEL [2]，由華為諾亞方舟實驗室與香港城市大學張青富教授團隊于 2023 年提出。EoH 早于 Google 的 FunSearch 和 AlphaEvolve，是這一方向的開拓性工作。

EoH 的關鍵優勢在于通過共同進化的過程將 “思想” 和代碼有效融合。在這一進化計算框架內，語言模型生成的啟發式思想得以轉化成實際可執行的代碼，并與進化算法相輔相成地共同發展。這種方法為啟發式算法的自動設計提供了新的思路，也顯著降低了計算成本。

目前 EoH 已成為自動算法設計領域的主流框架。在此次競賽前，已廣泛應用于橫跨多個學科領域的算法設計，包括圖像對抗攻擊 [3]，貝葉斯優化 [4]，流體力學湍流模型修正 [5]，飛行器幾何參數化方法設計 [6]，元啟發式設計 [7]，因果推斷 [8]，以及自動空戰系統設計，飛行器增升裝置設計等。并發展了多個拓展版本，如多目標自動算法設計 [9]，多模態自動算法設計 [10] 和跨分布自動算法設計 [11] 等。

基于 EoH 的開源平臺 LLM4AD（ https://github.com/Optima-CityU/llm4ad）也已用于 100 + 設計任務。

五、未來展望：重新定義算法研發

本次奪冠標志著 AI 驅動的自動算法設計已進入 “實用化階段”。憑借 “大模型 + 進化計算” 的雙引擎架構，顯示 AI 能夠幫助人類突破認知與生理的邊界，重構算法設計的未來：

• 能力常態化：從 “單次競賽突破” 走向 “穩定自動進化能力”，讓算法設計進入長期、自驅動迭代階段；
• 場景復雜化：面向更大規模與更復雜約束的工業場景，在動態調度、實時決策、多目標優化中持續發揮優勢；
• 研發范式變革：未來，“專家提供結構框架 —AI 負責細化與演化” 的協作模式，或將成為高性能算法研發的主流。

參考文獻：

[1] Fei Liu, Xialiang Tong, Mingxuan Yuan, Xi Lin, Fu Luo, Zhenkun Wang, Zhichao Lu, and Qingfu Zhang. "Evolution of Heuristics: Towards Efficient Automatic Algorithm Design Using Large Language Model." ICML 2024.

[2] Fei Liu, Xialiang Tong, Mingxuan Yuan, and Qingfu Zhang. "Algorithm Evolution using Large Language Model." arXiv preprint, 26 Nov. 2023.

[3] Ping Guo, Fei Liu, Xi Lin, Qingchuan Zhao, and Qingfu Zhang. "L-AutoDA: Leveraging Large Language Models for Automated Decision-Based Adversarial Attacks." GECCO 2024.

[4] Yiming Yao, Fei Liu, Ji Cheng, and Qingfu Zhang. "Evolve Cost-Aware Acquisition Functions Using Large Language Models." PPSN 2024.

[5] Yu Zhang, Kefeng Zheng, Fei Liu, Qingfu Zhang, and Zhenkun Wang. "AutoTurb: Using Large Language Models for Automatic Algebraic Model Discovery of Turbulence Closure." Physics of Fluid, 2025.

[6] Kefeng Zheng, Yiheng Wang, Fei Liu, Qingfu Zhang, and Wenping Song. "CST-LLM: Enhancing Airfoil Parameterization Method with Large Language Model." Aerospace Science and Technology, 2025.

[7] Qinglong Hu, and Qingfu Zhang. "Partition to Evolve: Niching-enhanced Evolution with LLMs for Automated Algorithm Discovery." NeurIPS 2025.

[8] Zidong Wang, Fei Liu, Qi Feng, Qingfu Zhang, and Xiaoguang Gao. "LLM-enhanced Score Function Evolution for Causal Structure Learning." IJCAI 2025.

[9] Shunyu Yao, Fei Liu, Xi Lin, Zhichao Lu, Zhenkun Wang, Qingfu Zhang. "Multi-Objective Evolution of Heuristic Using Large Language Models." AAAI 2025.

[10] Qinglong Hu, Xialiang Tong, Mingxuan Yuan, Fei Liu, Zhichao Lu, and Qingfu Zhang. "Multimodal LLM-assisted Evolutionary Search for Programmatic Control Policies." ICLR 2026.

[11] Fei Liu, Yilu Liu, Qingfu Zhang, Xialiang Tong, and Mingxuan Yuan. "EoH-S: Evolution of Heuristic Set Using LLMs for Automated Heuristic Design." AAAI 2026.