Automatic Heuristic Design
PulseAugur coverage of Automatic Heuristic Design — every cluster mentioning Automatic Heuristic Design across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
New framework integrates Evolution Strategy with LLMs for heuristic design
Researchers have introduced ES-AHD, a new framework that integrates Evolution Strategy (ES) with Large Language Model (LLM)-driven Automatic Heuristic Design (AHD). This approach aims to overcome the limitations of trad…
-
新框架通过贝叶斯 MCTS 提升 LLM 启发式设计
研究人员开发了 Clade-AHD，一个旨在提高大型语言模型（LLM）自动启发式设计（AHD）中蒙特卡洛树搜索（MCTS）效率的新框架。这种新方法用分支级别的贝叶斯信念取代了传统的节点级别估计，利用 Beta 分布和 Thompson 采样来更有效地建模不确定性和指导探索。实验表明，Clade-AHD 在复杂的优化问题上优于现有方法，同时需要更少的计算资源。
-
RefineEvo框架增强了组合优化问题的启发式设计
研究人员推出了一种名为RefineEvo的新进化框架，旨在增强组合优化问题的启发式设计。该系统通过结合规划引导方法，动态调度进化算子并根据当前问题状态优化搜索策略，超越了静态试错法。其关键特性是双向经验池，存储了成功的策略和识别出的陷阱，使系统能够更有效地学习和适应。实验表明，RefineEvo在解决方案质量和代币效率方面优于现有方法。
-
RefineEvo框架增强了优化问题的启发式设计
研究人员推出了一种新的演化框架RefineEvo，旨在增强组合优化问题的自动启发式设计（AHD）。该系统利用规划器动态管理演化算子，并利用反射器在双向经验池中存储经验教训。实验表明，RefineEvo在解的质量和令牌效率方面优于现有方法，实现了更自主的启发式设计。
-
MeEvo框架通过结合进化策略增强基于LLM的启发式设计 · 跟踪4个来源
研究人员推出了一种新颖的框架MeEvo，它结合了自然进化和元认知进化，以增强使用大型语言模型（LLMs）的自动启发式设计（AHD）。MeEvo通过自然进化实现启发式代码探索并保留推理痕迹，同时利用元认知进化通过反思来优化这些启发式方法，从而解决了现有方法的局限性。这种双层方法使以种群为驱动的探索和以反思为驱动的优化能够协同工作。实验表明，MeEvo在复杂优化问题上优于当前基于LLM的AHD架构。