RACL：用于连续元启发式学习的推理代理控制层

本文提出 RACL，一种置于现有优化器之上的推理代理控制层。该代理不替换优化器或修改业务约束，而是通过观察操作记忆、推理过往行为、形成有界假设、测试干预措施、评估结果并应用防护机制，从而控制优化器的内部搜索行为。实验以车辆路径问题为测试平台，结果表明 RACL 在所有可行案例中均优于或持平于操作记忆策略，且在无明显计算开销的情况下显著降低了成本。该方法的核心贡献在于使推理代理能够发现、验证及解释算法控制规则。