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在其进化循环中加入了受约束的对抗实例搜索。这使得它能够识别接近训练分布的困难实例，从而确保在各种问题规模和分布族中保持一致的性能。在在线装箱问题、在线作业车间调度和在线车辆路径规划上的实验表明，RAISE在其他基于LLM的方法显著退化的情况下，能够有效维持性能。 AI
影响 通过提高LLM生成启发式方法在分布偏移方面的韧性，增强了其在实际应用中的可靠性。
排序理由 这是一篇研究论文，详细介绍了一个使用LLMs进行自动化启发式设计的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
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…