面向基于 LLM 的 A* 搜索启发式设计的高效算法提示增强方法
人工智能
2026-01-28 v1 最优化与控制
摘要
启发式函数对 A* 等树搜索算法的性能至关重要，其准确性与效率直接影响搜索结果。传统上，此类启发式函数由人工设计，需要深厚的专业知识。大语言模型 (LLM) 和演化框架的最新进展为启发式设计的自动化打开了大门。本文扩展了启发式演化 (EoH) 框架，以研究 A* 搜索中引导启发式的自动生成。我们引入了一种与领域无关的提示增强策略，将 A* 代码包含在提示中以利用上下文学习，并将其命名为算法-上下文 EoH (A-CEoH)。为了评估 A-CEoH 的有效性，我们研究了两个问题领域：来自仓储物流的小众问题——单元负载预整理问题 (UPMP)，以及经典的滑块拼图问题 (SPP)。计算实验表明，A-CEoH 能够显著提高生成启发式的质量，甚至优于专家设计的启发式。
引用
@article{arxiv.2601.19622,
title = {Algorithmic Prompt-Augmentation for Efficient LLM-Based Heuristic Design for A* Search},
author = {Thomas Bömer and Nico Koltermann and Max Disselnmeyer and Bastian Amberg and Anne Meyer},
journal= {arXiv preprint arXiv:2601.19622},
year = {2026}
}
备注
accepted at EvoStar conference; Code: https://github.com/tb-git-tud/a-ceoh-evolution-of-heuristics?tab=readme-ov-file