大型語言模型與自動啟發式設計：知識優先的自上而下搜尋

要點：知識優先改變自動啟發式設計的搜尋重心

大型語言模型已被用來自動提出、評估並精煉組合優化的啟發式。既有做法多從可執行程式出發，藉由執行回饋提煉高階原則，屬於自下而上的流程。

本研究提出互補的自上而下觀點：以「知識」為主要搜尋物件，再用程式實作與檢驗，並以統計學習的視角形式化，揭示一個失真—壓縮的權衡。作者在族群與樹狀兩種 AHD 框架中實作這個策略，對比程式導向流程，發現知識優先在發現效率、跨題轉移與泛化上常有優勢；而兩者結合則帶來進一步提升。

論文最後指出，AHD 的長期進展依賴於逐步構建並演化可解釋的假說，讓學到的知識能超越單一路徑，在不同問題與搜尋過程中重複發揮價值。

延伸閱讀

• CP-SynC：以多代理與合成檢核器推進零樣本 MiniZinc 約束建模
• EPDDL（Epistemic Planning Domain Definition Language）完整說明與應用
• 規劃任務屏蔽：以 PDDL 列舉與 MILP 最小化修補（allmin）

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。