.png){kind=icon}
返回
A multi-agent framework powered by large language models for automatic heuristic design
.png){kind=icon}
OA
AI
DOI：10.1016/j.swevo.2026.102487.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
启发式设计长期以来依赖人类专业知识和反复试错。近期基于大型语言模型（LLM）的自动启发式设计方法取得了显著进展。大多数现有方法仍停留在性能驱动的生成-评估循环中，在机制级验证和跨代知识积累方面发展不足。为解决此局限，我们提出ARES（AI研究集成系统）。ARES将自动启发式设计组织为以验证驱动和知识积累的多模块协作工作流。它包含一个理论家模块用于机制级分析，一个实验者模块用于候选生成，以及一个评论家模块用于结构消融和基于参数扫描的验证。它还引入了策略表以支持机制级设计经验的跨代继承。在六个代表性组合优化问题上的实验表明，在报告的设置下ARES在比较方法中达到了最佳平均性能。在结构各异的这六个问题上，ARES也在评估的基准集中显示出持续改进。
Keyword:
Heuristic algorithms
Combinatorial optimization
Large language models
Automatic Heuristic Design
Multi-agent systems
Scientific discovery
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Mathematical discoveries from program search with large language models使用大型语言模型进行程序搜索的数学发现NatureOAAI
NatureIF0
OAAI分享收藏
分享收藏Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI可解释人工智能 (XAI): 负责任人工智能的概念、分类、机遇和挑战INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏分享收藏
查看更多内容