标签
本文提出了一种框架，利用拉格朗日对偶等价性为规划启发式学习可接受的代价划分，采用具有轴向自注意力机制的深度架构，从构造上保证可接受性。该方法声称是首个经过证明可保证可接受性的机器学习启发式。
本文提出潜在启发式搜索（LHS）框架，将启发式发现转移到学习的连续潜在流形上，利用基于梯度的优化和归一化流，在大语言模型条件下生成新颖启发式算法，在TSP、CVRP、KSP和在线装箱问题上取得了有竞争力的结果。
本文提出属性引导的LLM程序综合方法，利用反例引导归纳综合（CEGIS）在候选程序违反形式化属性时提供具体反馈，从而减少生成次数和评估成本。应用于PDDL规划领域以综合直接启发式函数，该方法优于先前方法，生成的程序数量减少七倍，且无需搜索即可解决更多任务。
本文将资源受限项目调度问题建模为Petri网可达图上的最优搜索，并采用A*算法求解，结合关键路径与资源下界的相容启发式函数，在PSPLIB基准测试上优于MIP基线。
本文介绍了 HMACE，这是一种异构多智能体协同进化框架，利用大型语言模型（LLM）自动化设计启发式算法，以解决 NP 难组合优化问题。实验表明，在旅行商问题（TSP）和装箱问题（BPP）等任务上，该方法在质量与效率的权衡方面优于单智能体和基准多智能体方法。