The posting
面向机组组合、经济调度、最优潮流等能源优化决策问题,研究从业务描述、运行数据与调度规则中自主识别决策变量、目标函数及约束条件的方法,实现优化问题的自主建模; 研究大模型与专业优化求解器协同的智能体方法,实现任务分解、建模代码生成、求解工具调用与求解策略优化,提升复杂电网优化问题的自主求解能力; 研究验证驱动的自进化机制,结合模型校验、不可行性诊断、约束检验与解的质量评估,开展错误归因、模型修正与策略改进,构建“自主建模—优化求解—验证反馈—迭代改进”的智能体闭环; 构建能源优化决策任务数据集与评测体系,探索经验记忆、成功轨迹学习与强化学习等方法,推动智能体持续积累建模与求解经验,提升跨任务泛化能力。
熟悉大语言模型、智能体、工具调用、代码生成、强化学习或数学优化等方向中的一种或多种技术; 熟练使用 Python,具备良好的编程与实验能力;有 Pyomo、CVXPY 等建模工具,或 Gurobi、CPLEX、SCIP 等优化求解器使用经验者优先; 对 Self-improving Agents / AI for Optimization / AI for Power Systems 有较强研究兴趣,具备独立阅读论文、复现实验和开展科研工作的能力; 有智能体自进化、验证器设计、经验学习、大模型后训练或自动优化建模等相关研究经历者优先。



