问题——物流配送线路怎样更短、车辆容量约束下如何服务更多客户、制造业排产如何兼顾效率与成本——这些看似具体的工程决策，往往对应难度很高的组合优化问题；它们的共同点是可行解空间巨大、约束复杂，传统方法在规模变大或场景变化时，常面临求解耗时长、调参成本高、难以稳定获得高质量解等问题。随着即时配送、柔性制造等业态发展，行业对“更快、更稳、更通用”的求解工具需求持续增加。 原因——长期以来，高效优化算法的形成高度依赖专家经验与长期积累：先识别问题结构，再设计启发式规则与搜索策略，最后反复试验与调参。这个路径门槛高，也容易受既有思路限制，难以在不同任务之间快速迁移。近年来，研究界尝试把自动化方法引入算法设计：一类偏“构造式”生成解，即按步骤逐步搭建方案；另一类侧重学习并调优局部搜索的参数或算子。但构造式方法一旦前期决策偏差，后续往往难以修正；局部搜索学习的范围有限，容易陷入局部最优，且在任务分布变化时稳定性不足。如何让自动化方法具备更强的全局跳出能力，成为提升求解效率与质量的关键。 影响——东北大学软件学院联合中国科学院大学国际理论物理中心（亚太地区）以及清华大学提出“生成式大邻域搜索”（G-LNS）框架，并于2026年2月以预印本形式发布（arXiv:2602.08253v1）。该方法将大邻域搜索的核心能力交由系统自动学习：不再只在既有算法上局部改动，而是生成两类协同的关键算子——一类对当前解进行有针对性的“破坏”，另一类在更大范围内“修复”并重建更优结构。二者配合的要点在于：破坏阶段决定从哪里“拆”、拆多少；修复阶段决定怎么“补”、补成什么结构。通过更大范围的结构重排，算法更容易跳出局部最优，从而在全局上获得更好的结果。 研究报告显示，在旅行商问题、车辆路径问题等典型任务测试中，G-LNS的解质量超过多种既有方法与传统优化软件方案；同时训练效率也更高，较短训练时间内即可取得更好的求解效果，整体训练耗时约为部分同类方法的五分之一。更值得关注的是其泛化能力：在小规模实例中学到的“破坏—修复”策略，可以迁移到更大规模问题，并在分布不同的新实例上保持较好表现。这意味着算法不再强绑定某一固定数据分布或单一任务形态，有望降低实际部署中的再训练与再调参成本。 对策——从产业应用看，组合优化广泛存在于仓网选址、干支线协同、运力调度、生产排程等环节。推动此类方法落地，需要在三上同步推进：一是建立与真实业务约束一致的评测基准与数据治理机制，减少“实验室最优”与“现场可用”之间的落差；二是把求解质量、稳定性、可解释性与算力成本纳入统一工程指标，形成可复用的部署流程；三是在关键行业场景开展试点验证，与现有优化系统协同集成，通过灰度上线与对照实验评估收益，逐步沉淀可复制、可推广的应用范式。 前景——面向未来，自动生成搜索策略为“算法工业化”提供了一条新路径：将专家经验沉淀为可学习、可迁移的策略生成机制，使求解工具能随场景变化自适应迭代。随着供应链网络更复杂、约束更精细、时效要求更高，这类能够跨规模、跨分布保持性能的框架，有望在更多组合优化任务中释放潜力。同时，如何在保持高性能的同时提升可解释性与鲁棒性、如何在多目标约束下实现可控优化、以及如何与行业规则和安全边界融合，仍是下一阶段研究与应用需要重点推进的方向。
当算法设计从“手工经验”走向可自动化生成，这场由基础研究推动的效率提升正在重塑产业实践。G-LNS的进展不仅验证了自主创新算法的潜力，也提示我们：突破关键瓶颈往往要回到问题本质，在“破坏”与“重建”的动态平衡中找到更优解。这也许正是中国科研团队向世界展示的一种可迁移的创新路径。