摘要
基于大语言模型（LLM）的自动启发式设计（AHD）通常在完整实例上或固定求解器组件内对可执行程序进行评分。在大型路由问题中，本地化重构减少了每个优化任务的规模，但同一现有解内的修复区域可能展现出显著不同的结构。因此，一个构造规则必须在它们之间进行妥协。
在本文中，我们提出了SpecAHD，一个用于实例内专业化的耦合双层框架。上层搜索学习在哪里暴露有界修复区域，而下层搜索则发展出补充的可执行启发式库以应对诱导的修复任务。上层程序决定下层所见的修复任务，而检查的修复结果则决定如何评估上层程序。
下层目标偏向于在平均表现良好或解决当前库处理不佳的任务的启发式方法。对于由固定上层程序和固定下层候选池诱导的修复任务，该目标是单调子模的，允许以(1-1/e)的近似保证进行贪心选择。在四个路由问题和多个LLM骨干网络的实验中，SpecAHD在最强竞争AHD基线的基础上减少了高达57.7%的保留目标成本，并在大多数公共实例上超越了每实例基线包。
博主点评： SpecAHD通过引入双层框架，实现了在复杂路由优化任务中的专业化修复区域选择，显著提高了性能。这一方法不仅减少了计算成本，还优化了启发式的应用效果，展示了大语言模型在自动化设计中的潜力与灵活性。其成功的关键在于如何有效地结合上下层搜索，值得进一步探索和应用。