标签
FunL2O提出了一个统一框架，利用LLM驱动的程序演化来自动化学习优化方法中的特征函数设计，在连续和离散优化任务中均展现出优于人工设计特征的一致改进。
该论文介绍了MILP-Evo，这是一个闭环框架，利用LLM引导的程序进化来自动设计白盒MILP求解器组件（割选择器和分支规则），通过迭代生成和评估候选程序，并根据其在MILP实例上的端到端求解性能进行评估。
SMCEvolve 提出了一种原则性框架，用于 LLM 驱动的程序演化，通过将其重新表述为使用序贯蒙特卡洛从奖励倾斜分布中采样。它提供了收敛保证，并在多个科学发现基准测试中优于现有方法。