近期，我院硕士研究生在大语言模型驱动的复杂工业算法选择研究方向取得重要进展。由陈亮教授指导的2024级硕士研究生肖扬同学撰写的题为《Research on Algorithm Selection Tasks Based on Multi-Path Retrieval-Augmented Generation in Large Language Models》的学术论文被国际顶级学术期刊《Applied Soft Computing》（中科院计算机科学领域SCI二区Top期刊，2026年最新影响因子7.8）录用。

该论文面向复杂工业场景中算法选择任务存在的多源信息利用不足、候选算法匹配不稳定、模型推理缺乏约束及决策可解释性不足等问题，提出面向工程决策的多路径检索增强生成框架Multi-RAG，为大语言模型参与算法选择提供稳定、可控、可复现的技术路径。不同于传统方法依赖人工特征、统计模型或单一学习机制，该研究将算法选择重构为“多路径知识检索—候选证据融合—受控语义推理—确定性决策映射”的闭环过程，以降低大语言模型自由生成带来的不确定性。具体而言，论文在参数高效微调模型基础上，并行引入关键词检索与向量语义检索两条路径，捕获显式技术条件与隐式语义关联，扩展候选信息覆盖范围；同时利用RRF融合排序对不同检索路径的候选结果进行统一重排，缓解多源信息在评分尺度和排序分布上的差异，形成稳定、一致且具有决策支持价值的证据空间。进一步地，论文通过动态上下文构建和结构化提示，将大语言模型限定为受控推理组件，在给定候选空间内生成可解析的中间推理表示，并通过确定性决策映射完成最终选择，从机制层面提升结果的可解释性、稳定性和工程可复现性。实验结果表明，Multi-RAG在ASlib基准数据集和模拟工业数据上取得性能提升，在PAR10、精确率、召回率和工业任务准确率等多个指标上均优于多种代表性基线方法，验证了多路径检索、排序融合与受控大模型推理协同作用的有效性。该研究成果为智能制造、工业分析和复杂决策支持中的算法推荐提供了具有应用价值和扩展潜力的方法支撑。（撰稿:肖扬 审核：张凯兵）

图1 面向算法选择任务的Multi-RAG框架

图2 ASlib场景PAR10性能对比

人物链接：

肖扬个人简介

肖扬，男，2024年考入西安工程大学计算机科学学院电子信息专业攻读硕士研究生。获“华为杯”第七届中国研究生人工智能创新大赛国家三等奖，研究方向为人工智能与智能决策支持。