BEAM：面向 LLM 驱动启发式设计的双层记忆自适应算法进化

针对现有基于大语言模型的超启发式方法在单层进化中难以生成完整求解器且探索效率低的问题，本文提出 BEAM（双层记忆自适应算法进化）。该方法将启发式设计重构为双层优化问题：外层利用遗传算法演化高层算法结构，内层通过蒙特卡洛树搜索实现具体功能。此外，引入自适应记忆模块辅助复杂代码生成，并提出知识增强管道以克服从头生成的局限。实验表明，BEAM 在多个优化问题上显著优于现有方法，大幅降低了最优性差距。