摘要
基于大语言模型的自动化启发式设计在组合优化问题中展现出巨大潜力,但现有方法多局限于单一启发式的优化,难以应对实际框架中多个交互组件的复杂性。直接扩展单启发式方法面临早期选择偏差及忽略组件间依赖的挑战。为此,本文提出MuEvo,一种由LLM驱动的、基于集成层面反馈的启发式集成进化框架。MuEvo结合了动态组件管理(通过短预算探测和可逆生命周期修订优先级)与LLM驱动的协同进化(通过多集成评估、跨组件信息共享等机制协调组件种群)。在四个组合优化领域的实验表明,MuEvo能有效改进人工设计的框架,并优于现有的多组件LLM-AHD方法。
AI 推荐理由
论文核心提出LLM驱动的启发式集成进化框架,涉及组件协同进化与自适应调整,高度契合自我进化主题。
研究机构
脑启发智能计算广东省重点实验室
计算机科学与工程系,南方科技大学
香港科技大学
论文信息