利用多模态大语言模型提升烟花算法在复杂优化任务中的能力
人工智能
2025-11-06 v1
摘要
随着优化问题日益复杂多样，优化技术的进步和范式创新具有重大重要性。优化问题的挑战主要体现在其非凸性、高维性、黑箱特性等不利因素。传统的零阶或一阶方法往往效率低下、梯度信息不准确且未充分利用优化信息，难以有效应对这些挑战。近年来，大语言模型（LLM）的快速发展显著提升了其语言理解和代码生成能力。因此，利用大语言模型设计优化算法引起了研究者的日益关注。在本研究中，我们选取烟花算法（FWA）作为基础优化器，提出一种新方法通过融合多模态大语言模型（MLLM）来辅助 FWA 的设计。简单地说，我们提出了“关键部分”（CP）的概念，将 FWA 扩展到复杂高维任务，并进一步利用大语言模型的多模态特性来利用优化过程中的信息。我们关注两个具体任务：旅行商问题（TSP）和电子设计自动化问题（EDA）。实验结果表明，在我们新框架下生成的 FWAs 在许多问题实例上已达到或超越了最先进（SOTA）结果。
引用
@article{arxiv.2511.03137,
title = {Using Multi-modal Large Language Model to Boost Fireworks Algorithm's Ability in Settling Challenging Optimization Tasks},
author = {Shipeng Cen and Ying Tan},
journal= {arXiv preprint arXiv:2511.03137},
year = {2025}
}