本文讨论了大型语言模型在解决复杂问题，尤其是石油和天然气工程领域的应用，介绍了目前的 ChatGPT 方法在实际问题中的局限性，并讨论了大型语言模型的优势和适用的领域。

Apr, 2023

OptiMUS 是一种基于大型语言模型（LLM）的代理程序，旨在从自然语言描述中解决（混合整数）线性规划问题。OptiMUS 能够开发数学模型，编写和调试求解器代码，评估生成的解决方案，并根据这些评估改进其模型和代码。在实验证明，对于简单数据集，OptiMUS 的性能超过现有最先进方法 20％以上，对于难以处理的数据集（包括本文随附的英文描述复杂、问题较长的数据集 NLP4LP），性能超过现有最先进方法 30％以上。

Feb, 2024

通过结合大型语言模型和优化技术，我们提出了一个名为 Decision Optimization CoPilot（DOCP）的人工智能工具，它旨在帮助决策者使用自然语言理解业务问题，并随后构建并解决相应的优化模型，从而显著简化了实际业务问题的优化模型的创建，从而实现更普遍的、改善决策的目标。

Feb, 2024

利用预训练的大型语言模型（LLMs）和 ChatGPT API 作为推理核心，通过自然语言处理、基于方法论的提示调整和 Transformer 技术，自动化创作基于场景的本体论文、都市数据集和模拟技术手册，生成知识图谱，以促进都市决策支持系统的发展。

May, 2024

通过 Large Language Models（LLMs）的最新进展，研究如何将这一颠覆性技术应用于供应链自动化，并解决人类理解和信任之间的间隙。设计了一个名为 ame {} 的框架，通过输入纯文本查询并输出有关底层优化结果的见解。同时，我们开发了一个通用的评估基准，用于评估 LLM 在其他情景中的准确性。

Jul, 2023

利用自然语言处理方法实现优化问题的自动解决，涉及 NL4Opt 比赛和相关任务数据集，以及通过该比赛所展示的相应解决方案。

Mar, 2023

OptiMUS 是一个基于 LLM 的代理，能够通过自然语言描述来制定和解决 MILP 问题，同时具备开发数学模型、编写和调试求解器代码、开发测试并检查生成的解的有效性的能力。通过与基本 LLM 提示策略的比较，我们的实验表明，OptiMUS 能够解决比基本策略多 67％的问题。

Oct, 2023

通过使用基于 transformer 的生成神经网络架构的 ChatGPT 和其他大型语言模型（LLM）在自然语言处理和图像合成等领域的惊人成功，许多研究人员对过程系统工程（PSE）中的潜在机会感到兴奋。然而，尽管它们在某些任务中非常有用，如撰写文件的初稿、代码编写辅助、文本摘要等，但它们在高度科学领域的成功受限于缺乏深度领域知识而无法推理、规划或解释。在这篇论文中，我们讨论了在化学工程领域开发这种系统面临的挑战和机遇。

May, 2024

介绍了一种用于优化问题建模的增强智能系统，该系统使用控制生成技术生成优化问题的自动建议，并提供用户界面进行编辑和验证，该系统经过新创建的数据集的测试表明其有效性。

Sep, 2022

该论文提出了一种名为扩展权重系统的统一框架，可消除不同自动推理语言之间的句法区别，并研究了所提出系统的形式属性，即可在该框架内捕获的范例的形式属性。

Jun, 2022