.png){kind=icon}
返回
Large language models discover complementary heuristics for combinatorial optimization
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-026-01307-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
组合优化（CO）支撑着科学、工程和工业领域的决策制定，特别是在制造、物流、医疗运营和能源管理方面。然而，为每个新的问题变体设计有效的启发式算法需要深厚的领域知识和数月的专家迭代。直接提示大型语言模型（LLMs）可以生成可执行代码，但单次合成完整的启发式算法在新的CO问题上常规失败。本文引入了基于互补进化的LLM驱动算法构造（LACE），该框架将算法设计分解为输入模式、输出模式、工具库和启发式算法组合（$${\mathcal{I}}$$–$${\mathcal{O}}$$–$${\mathcal{T}}$$–$${\mathcal{H}}$$接口），并通过时间约束的互补进化优化该组合。该接口在验证的问题合约下指导LLM的操作，将模型能力引导至高层算法推理而非问题特定实现。互补进化随后迭代生成和选择能够严格运行时预算内解决异构实例的专业化启发式算法。在36个经典CO-Bench问题上，LACE达到平均分数0.945，高于现有最强LLM基方法的0.870和未使用任何框架的直接LLM提示的0.571，增益源于框架而非模型。在四个结构新问题上，LACE达到0.97–0.99，而五种现有LLM基基线无法生成任何可行算法。这些结果表明，此类问题的有效算法发现可以自动化到相当大的程度。Gong等人开发了LACE，这是一个基于大型语言模型的框架，用于设计优化算法。它构建验证的问题合约，然后进化互补启发式算法组合，共同解决单个方法无法处理的问题。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
Large language models surpass human experts in predicting neuroscience results大型语言模型在预测神经科学结果方面超越人类专家
OAAI
OAAI分享收藏
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.png)
NatureOAAI
NatureIF0
OAAI分享收藏Kalinin KP, Gladrow J, Chu J, Clegg JH, Cletheroe D, Kelly DJ, et al. Analog optical computer for AI inference and combinatorial optimization. Nature 2025;645:354–61. Doi: 10.1038/s41586-025-09430-z.Kalinin KP，Gladrow J，Chu J，Clegg JH，Cletheroe D，Kelly DJ，等. 类比光学计算机用于AI推理和组合优化. Nature 2025;645:354–61. Doi: 10.1038/s41586-025-09430-z.
IF0
PREAI
分享收藏
查看更多内容