MOTIF：基于轮次交互框架的多策略优化
人工智能
2025-12-09 v2
摘要
在解决NP难组合优化问题（COPs）时，设计有效的算法组件仍是一个根本性障碍，其中求解器通常依赖于精心构建的策略。尽管最近在使用大型语言模型（LLMs）合成高质量组件方面取得了进展，但大多数方法将搜索限制在单个元素——通常是启发式评分函数——从而错失更广泛的创新机会。本文提出了将求解器设计作为多策略优化问题的更广泛表述，以在统一目标下 jointly improve 一组相互依赖的组件。为此，我们提出了基于蒙特卡洛树搜索的多策略优化框架（MOTIF），该框架促进两个LLM代理之间的轮次优化。在每一步，一个代理通过利用自身和对手的先前更新历史来改进一个组件，从而促进竞争压力和涌现合作。这种结构化的相互作用扩大了搜索景观，鼓励发现多样且高性能的解决方案。跨多个COP领域的实验表明，MOTIF 在性能上一致优于最先进的方法，凸显了轮次、多代理提示用于完全自动求解器设计的潜力。
引用
@article{arxiv.2508.03929,
title = {MOTIF: Multi-strategy Optimization via Turn-based Interactive Framework},
author = {Nguyen Viet Tuan Kiet and Dao Van Tung and Tran Cong Dao and Huynh Thi Thanh Binh},
journal= {arXiv preprint arXiv:2508.03929},
year = {2025}
}
备注
Accepted as an oral presentation at AAAI 2026. Code available at: https://github.com/HaiAu2501/MOTIF