求解器正经历从“人工设计规则”到“AI自主进化”的范式转移。AI辅助求解技术涵盖超参优化、策略嵌入与算法发现三大层级。超参优化利用贝叶斯与大模型自动配置参数，冷启动性能提升显著；策略嵌入通过图神经网络与强化学习替代分支变量选择、割平面选择，HEM方法降低求解时间30%-80%；算法发现利用大语言模型自动生成并迭代进化求解策略，LLM4Solver在Diving启发式上超越人工设计，EvoCut生成的割平面使TSP问题差距缩小57%、求解提速4倍。AI正从“辅助调参”迈向“创造算法”，重塑求解器技术范式。
超参优化——自动配置求解器参数
现代求解器拥有数百个参数，控制预处理、分支、割平面、启发式等策略。超参优化通过贝叶斯优化（代理模型+采集函数）或大模型驱动框架，自动搜索最优参数组合。大模型驱动的超参优化能理解问题语义（如“电力调度”vs“物流路径”），通过LLM推理+演化层生成配置，仅测试5组配置即达到传统搜索500组的性能，整体运行时间缩减57.4%，冷启动场景优势显著。
策略嵌入——AI替代关键决策模块
策略嵌入将AI模型嵌入求解器内核，替代人工设计的启发式规则。节点选择通过模仿学习优化搜索树探索；分支变量选择通过图神经网络（FiLM）模仿强分支策略，准确率高且推理快；割平面选择通过强化学习训练分层序列模型（HEM），动态决定选多少、选哪些、以什么顺序加入割平面，在9类基准上降低求解时间30%-80%。Collab-Solver通过Stackelberg博弈协同优化分支与割平面，性能提升超60%。
算法发现——大模型自动生成新算法
算法发现利用大语言模型作为“进化算子”，自动编写、测试、迭代求解策略代码。LLM4Solver通过种群演化自动设计Diving启发式评分函数，多目标进化在多个基准上平均原始间隙优于人工设计，仅第1代即超越最佳人工算法，第4代超越L2DIVE。EvoCut自动生成割平面代码，通过“生成-验证-评估-演化”闭环，在TSP问题上差距缩小57%，求解时间最高提速4倍。两种模式：回调接口驱动（轻量耦合）与源码级深度演化（内核重构）。
未来展望——AI+求解的协同范式
AI辅助求解将形成“AI提议，求解器验证”的创新架构，AI提供高潜力候选解与策略，传统求解器负责可行性校验与最优性证明。多模态融合、Agentic框架、全流程自动化工程设计将成为核心方向。求解器架构将向支持GPU/NPU的混合异构演进，数据资产（工业级实例库）将成为核心竞争力。大模型驱动的自动算法发现有望突破分支定界等经典算法维持数十年的性能瓶颈，将求解效率推向新数量级。
