摘要
针对现有基于大语言模型（LLM）的自动化启发式设计（AHD）在分布偏移下性能骤降的问题，本文提出 RAISE 框架。该方法将鲁棒 AHD 建模为约束对抗实例搜索问题：外层循环利用 LLM 算子进化启发式规则，内层循环则在训练分布邻域内高效识别困难实例。在在线装箱、作业车间调度及车辆路由等任务上的实验表明，RAISE 在多种分布偏移下均能保持强劲性能，显著优于现有方法。
AI 推荐理由
论文提出基于 LLM 的进化搜索框架，核心在于启发式规则的自我迭代与对抗性优化。
研究机构
University of Zurich
ETH Zurich
论文信息