LLM-ACP（大型语言模型自动构建算法组合）在实际的少样本场景中，难以很好地解决复杂的组合优化问题。实例和算法的共同演化框架通过生成当前算法组合性能较差的实例来扩展训练数据集，从而提高泛化能力。但是，这种方法面临两个关键局限性：评估实例难度需要高质量的参考解决方案，单一模式的生成限制了实例的多样性。 为了克服这些局限性，我们引入了潜力感知实例和算法共同演化（PIAC）框架。我们的主要贡献是双重的：首先，我们提出了潜力增益这一新型指标，它消除了对参考解决方案的需求。该指标通过对生成的算法进行扰动并评估它们在生成的问题实例上的改进潜力来估计泛化增益。其次，PIAC利用LLM合成多样化的实例变异体，探索问题实例空间的更广泛区域，从而提高算法组合的泛化能力。 我们在贪婪构造、蚁群优化和引导局部搜索等算法骨架上实现了我们的框架。对旅行商问题（TSP）和容量车辆路由问题（CVRP）在六个不同数据分布上的全面评估表明，PIAC一致性地优于最先进的LLM-ACP基线，显著地实现了TSP贪婪构造算法组合的19.76%相对改进。 博主点评： 本文提出了一种新的算法组合演化框架，利用LLM合成多样化的实例变异体，提高算法组合的泛化能力。实验结果表明，该框架在TSP和CVRP问题上取得了显著的改进，这为解决复杂组合优化问题提供了新的思路和方法。