大型语言模型解决组合问题研究：旅行商问题案例

探索大型语言模型的组合问题解决：使用 GPT-3.5 Turbo 的旅行商问题案例研究

摘要

大型语言模型 (LLM) 是深度学习模型，旨在根据文本输入生成文本。尽管研究人员一直在为更复杂的任务（例如代码生成和一般推理）开发这些模型，但很少有人探索如何将 LLM 应用于组合问题。在这项研究中，我们调查了 LLM 解决旅行商问题（TSP）的潜力。利用 GPT-3.5 Turbo，我们采用各种方法进行了实验，包括零样本上下文学习、少样本上下文学习和思想链 (CoT)。因此，我们对 GPT-3.5 Turbo 进行了微调以解决特定的问题大小，并使用一组不同的实例大小对其进行测试。经过微调的模型在与训练实例大小相同的问题上表现出了良好的性能，并且可以很好地推广到更大的问题。此外，为了在不产生额外训练成本的情况下提高微调模型的性能，我们采用了自集成方法来提高解决方案的质量。

1 引言

2 方法

3 实验结果

4 结论和未来工作