高效的路由优化对货运、城市物流和共享出行至关重要，往往需要在受限的计算预算下获得高质量的启发式规则。近期基于大语言模型（LLM）的自动化启发式设计方法能够生成有效的路由规则，但整体评估往往掩盖了在特定实例结构上反复出现的失效。为了解决这一问题，本文提出 RouteRepair，它通过实例级性能诊断出父代启发式的结构性弱点，并对相应的组件进行有针对性的修改，同时保护已有的良好行为。
RouteRepair 将路由证据、求解器行为和程序上下文结合，构造有界的修复目标。每一次干预都通过父子对照实验验证：既要衡量失效恢复的程度，又要检测对已有性能的潜在退化。实验覆盖旅行商问题（TSP）和容量车辆路径问题（CVRP），分别在构造搜索、引导局部搜索（GLS）和蚁群优化（ACO）框架下进行评估。
在 TSP 上，RouteRepair‑GLS 将平均最优性差距从 $1.7476\%$ 降至 $0.7587\%$；在 CVRP 上，构造式启发式的平均路线成本比基准节约启发式降低 $1.91\%$；生成的 ACO 先验也优于对应的手工设计先验。
这些结果表明，基于失效感知、证据约束的细粒度修复能够在困难实例上提升启发式性能，同时保持对已解决案例的稳健性。
点评