面向偏置随机关键遗传算法的LLM驱动的实例驱动启发式偏置

将大语言模型（LLM）集成到元启发式方法中为解决复杂组合优化问题开辟了新路径。虽然已有大多数方法利用LLM进行代码生成以创建或细化特定启发式方法，但往往忽视了单个问题实例的结构属性。本文引入了一种新框架，将LLM与偏置随机-key遗传算法（BRKGA）集成，以解决NP难最长子序列问题。我们的做法扩展了实例驱动启发式偏置范式，引入了人类-LLM协作过程，以共同设计和实现一组计算高效的度量标准。LLM分析这些实例特定的度量标准，以生成针对性的启发式偏置，引导BRKGA朝向搜索空间中有前景的区域。我们进行了全面的实验评估，包括严格的统计检验、收敛和行为分析，以及针对性的消融研究，将其方法与标准BRKGA基线进行比较，涵盖1,050个复杂度不同的生成实例。结果表明，我们最好的混合方法BRKGA+Llama-4-Maverick在准确性上显著优于基线，尤其在最复杂的实例上。我们的发现确认，利用LLM产生先验的、实例驱动的启发式偏置是提升复杂优化领域中元启发式方法的有价值方法。