研究人员推出了一种新颖的框架MuEvo，该框架利用大型语言模型（LLM）来演化组合优化问题的启发式集成。与以往专注于单一启发式方法的不同，MuEvo通过引入动态组件管理和LLM驱动的协同演化，解决了优化多个相互作用组件的挑战。该框架利用多集成评估、跨组件信息共享和自适应预算分配等技术来协调组件种群。在选择超启发式和蚁群优化上的评估表明，MuEvo的表现优于现有的多组件LLM-AHD方法，并增强了人类设计的框架。 AI
影响 这项研究通过改进自动启发式设计，有望为复杂的优化问题带来更有效和更高效的解决方案。
排序理由 该集群包含一篇详细介绍启发式设计新方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- Adaptive Budget Allocation
- ant colony optimization algorithms
- arXiv
- Cross-Component Information Sharing
- Dynamic Component Management
- LLM-AHD
- LLM-Driven Co-Evolution
- Multi-Ensemble Evaluation
- Relation-Guided Pair Evolution
- selection hyper-heuristics
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
