LangNCO：将自然语言约束编译为神经组合优化的推理时干预

神经组合优化（NCO）能够针对训练期间遇到的问题结构快速生成高质量解，但部署后的运行需求可能发生变化，并通过自然语言传达。我们提出 LangNCO，一种将实例特定的需求编译为结构化推理时干预的方法，用于冻结的 NCO 求解器，同时无需改变预训练策略的架构、已学习的输入表示或参数。预训练 LLM 充当可替换的语义前端，将每项需求转换为经过模式验证的领域特定语言（DSL）规则集。确定性的 Rule Executor 将这些规则应用为非扩张性的硬动作掩码。由于局部掩码只能防止即时违规，无法确保完整的可行后续路径仍然可达，因此 Critical-Offset Decoding 提取规则所引用的关键节点，并将固定 rollout 预算的一部分重新分配给多强度偏置 rollout。我们使用受控的特定任务语言，将求解器适应性与开放式语言鲁棒性隔离开来，并在道路封闭、时间窗、车辆分配、访问顺序要求、所有成对组合以及另外十二种约束类型上评估 CVRP 策略。在四个主要数据集上，LangNCO 实现了 100% 的可行率，平均参考差距为 1.63--3.26%；对于成对约束，在组合分别生成的规则时，可行率达到 97.33--100%；在其他约束上，可行率达到 98.67%。这些结果表明，无需重新训练，仅通过可检查的语言派生规则，即可对冻结的 NCO 求解器进行模块化的训练后适应。