Source: https://arxiv.org/abs/2509.05946
Wei B, Jiang R, Zhang R, et al. Large Language Models for Next-Generation Wireless Network Management: A Survey and Tutorial[J]. arXiv preprint arXiv:2509.05946, 2025.
随着6G无线网络的快速演进，资源分配、轨迹设计等优化问题在规模和复杂度上急剧攀升，传统方法已难以胜任。发表于arXiv 2025的这篇综述首次系统性地梳理了大语言模型（LLM）赋能无线网络优化的完整技术图谱，从问题建模、求解方案到结果验证，构建了一条清晰的研究路线。
一、研究背景与动机：传统优化为何力不从心
在5G向6G演进的过程中，无线网络面临的优化问题日趋复杂。例如，多接入边缘计算（MEC）中的任务卸载需要将无线资源分配与计算资源分配联合优化；智能反射面（RIS）和通感一体化（ISAC）等新技术的引入，进一步增加了波束赋形与调度策略之间的耦合维度。
传统优化方法如整数线性规划（ILP）虽能保证最优性，但在大规模动态场景下因指数级复杂度而不可行；启发式算法（遗传算法、模拟退火等）虽快但结果次优且难以适应动态条件；而深度强化学习（DRL）虽有潜力，却面临收敛时间长、需大量重训练等瓶颈。更关键的是，这些方法都无法处理非结构化输入——例如用户以自然语言表达的高层级意图。
LLM凭借其在语义推理、零样本学习和实时适应性方面的能力，为无线网络优化开辟了全新范式。
二、核心贡献一：LLM驱动的优化问题建模
论文详细阐述了如何利用LLM将自然语言描述自动转化为求解器兼容的数学优化模型。
自然语言到数学模型的翻译：以OptiMUS框架为例，LLM可将用户定义的问题描述翻译为混合整数线性规划（MILP）模型，并附带代码和验证流程。LLM-OptiRA则通过提示引导，将非凸无线优化任务自动分解为凸子问题，在多种无线场景下实现高成功率。
基于提示工程的目标与约束动态调整：用户无需重新编写数学公式，仅通过修改自然语言提示即可改变优化目标（例如从吞吐量最大化切换到延迟最小化），或引入/移除约束条件。论文以Open RAN切片资源分配为例，展示了LLM如何根据”高移动性时段优先保障URLLC切片”这一策略指令，自动生成修改后的优化公式。
三、核心贡献二：LLM辅助的优化求解
论文从三个维度探讨了LLM如何提升无线优化的求解能力：
求解器协同：LLM负责语义丰富的部分（启发式选择、目标解释、约束翻译），经典求解器处理定义明确的数学子问题。OptiMUS可将自然语言任务翻译为MILP并通过求解器反馈（如不可行性报告）迭代优化模型。
启发式引导：LLM在启发式工作流中充当智能控制器。LAURA框架利用LLM生成满足基本可行性准则的初始UAV轨迹；ReEvo框架则让LLM产生人类可读的启发式规则，并通过反思性提示不断批判和改进先前设计。
迭代优化与训练：通过结构化提示优化和基于强化学习的人类反馈（RLHF），LLM能在无需调整模型参数的情况下，动态适应输入策略，逐步提升输出质量。例如，利用吞吐量、延迟违规率等物理层性能指标作为奖励信号，实现RL驱动的LLM微调。
四、核心贡献三：优化解的验证与多智能体框架
为确保LLM生成解的可靠性，论文提出了四种验证方法：
目标与约束验证：检查生成的公式和启发式代码是否语法正确、可执行。OptiMUS的”代码-测试-修正”循环在经典基准上实现超过90%的模型生成成功率。
基于提示的自验证：利用LLM自身推理能力，显式提示其反思约束是否满足。这种方式在AP部署问题中特别有价值。
集成共识与投票：生成多个候选方案，通过多数规则过滤，有效元素更频繁地出现在多组有效生成中。
仿真修复：在无线环境模拟器中评估方案，将SINR、干扰余量等反馈返回LLM进行迭代修复。LLM-OptiRA在非凸资源分配问题中实现超过80%的最终方案可行性。
论文还介绍了多智能体（Multi-Agent）框架，通过角色专业化（拓扑规划、频谱调度、策略执行）和RL驱动的协作，实现去中心化的可扩展优化。
五、案例研究与实验效果
论文展示了三个代表性案例：
案例一：卫星通信优化建模——LLM在6轮交互内成功为多卫星RSMA系统生成符号化优化模型，RAG chunk大小为2000-3000 tokens时效果最佳。
案例二：低空经济网络UAV轨迹优化——基于DeepSeek v3的LLM框架相比贪心算法，在30和40个传感器节点场景下分别降低平均最大AoI达16.6%和24.7%。
案例三：LEO卫星意图网络——LLM框架在30次迭代内收敛，相比PPO算法实现11.45%的数据速率提升，展现了上下文感知推理和迭代提示优化的优势。
六、未来方向与总结
论文指出了四个核心挑战方向：领域知识整合与物理约束接地、边缘LLM协同设计与多智能体协调、可信验证与人在回路优化、以及跨域泛化与持续学习。
这篇综述的意义在于，它不仅梳理了LLM赋能无线网络优化的技术全景，更提供了从”自然语言意图输入”到”物理层可执行方案输出”的完整流水线范式。对于从事6G网络设计、智能资源管理和AI原生网络架构研究的学者而言，这是一份不可多得的系统性参考文献。
