摘要
启发式是确定性规划的核心组成部分，尤其是在优先考虑通用适用性的领域独立设置中。本文在大型语言模型（LLMs）近期发展的背景下重新审视这一范式，LLMs使得可以直接从问题定义自动合成启发式，绕过了手工构建领域知识的需求。
我们提出了一种方法，利用LLMs从通过后继生成器、目标测试和用通用编程语言编写的初始状态指定的规划任务中生成特定问题的启发式函数。这些启发式被编译并集成到标准启发式搜索算法中，如贪心最佳优先搜索。我们的方案在广泛的已建立规划基准测试中实现了竞争力，且在许多情况下达到了最先进的性能。此外，它还能够解决在传统形式中难以表达的问题，包括具有复杂数值约束或自定义转移动态的问题。
我们提供了广泛的实证评估，刻画了该方法在多样化规划设置中的优势和局限性，证明了其有效性。
博主点评： 本文展示了LLM在规划领域的潜力，通过自动生成启发式函数，降低了对领域知识的依赖，极大地拓宽了传统规划方法的应用范围，开启了新的研究方向。尤其在复杂约束条件下，LLM的优势更加明显，值得关注未来的研究进展。