研究人员开发了RAISE，一个使用大型语言模型（LLMs）设计启发式方法的新框架，该框架对现实世界的分布偏移具有更强的鲁棒性。与优化固定训练集的先前方法不同，RAISE在其进化循环中集成了受约束的对抗实例搜索。这种方法允许系统在训练分布的定义范围内识别困难实例，确保在各种场景下性能一致。在在线装箱、在线作业车间调度和在线车辆路径规划上的实验表明，RAISE的性能显著优于现有的基于LLM的方法，后者在分布偏移下性能会大幅下降。 AI
影响 通过提高LLM生成的启发式方法对分布偏移的抵御能力，增强了其在实际应用中的可靠性。
排序理由 该集群包含一篇详细介绍自动化启发式设计新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.31801v1 Announce Type: new Abstract: Automated Heuristic Design (AHD) with Large Language Models (LLMs) has shown remarkable progress in discovering high-quality heuristics. However, existing LLM-based AHD methods optimize heuristics for a fixed training instance set a…
Automated Heuristic Design (AHD) with Large Language Models (LLMs) has shown remarkable progress in discovering high-quality heuristics. However, existing LLM-based AHD methods optimize heuristics for a fixed training instance set and may fail catastrophically when deployed under…