CogMCTS：一种基于认知引导的蒙特卡洛树搜索框架，用于大语言模型驱动的迭代启发式演化
人工智能
2025-12-12 v2
摘要
自动启发式设计（AHD）是解决复杂优化问题的有效框架。大语言模型（LLM）的发展使得启发式的自动生成成为可能。现有的基于 LLM 的演化方法依赖种群策略，容易陷入局部最优。将 LLM 与蒙特卡洛树搜索（MCTS）结合改善了探索与利用之间的权衡，但多轮认知整合仍然有限，搜索多样性受到制约。为克服这些局限，本文提出了一种新颖的认知引导 MCTS 框架（CogMCTS）。CogMCTS 将 LLM 的认知引导机制与 MCTS 紧密集成，以实现高效的自动启发式优化。该框架采用多轮认知反馈，整合历史经验、节点信息和负向结果，动态改进启发式生成。双轨节点扩展结合精英启发式管理，平衡了多样化启发式的探索和高质量经验的利用。此外，策略变异修改启发式的形式和参数，进一步增强解的多样性和整体优化性能。实验结果表明，CogMCTS 在稳定性、效率和解质量方面优于现有的基于 LLM 的 AHD 方法。
引用
@article{arxiv.2512.08609,
title = {CogMCTS: A Novel Cognitive-Guided Monte Carlo Tree Search Framework for Iterative Heuristic Evolution with Large Language Models},
author = {Hui Wang and Yang Liu and Xiaoyu Zhang and Chaoxu Mu},
journal= {arXiv preprint arXiv:2512.08609},
year = {2025}
}