LLM 辅助优化用于基于仿真的再设计

查看 PDF HTML（实验性）

摘要：工程设计经常涉及重新设计先前的解决方案，以适应情境变化，例如材料价格或系统需求。重新设计往往借助对传统数值求解器而言过于复杂和/或计算量过大的模拟器，而这些求解器缺乏工程知识和情境信息，难以确保全局解的质量。大语言模型（LLM）能够解读语义信息，包括关于系统的工程知识以及情境变化，从而帮助指导搜索；近期研究表明，将这类知识纳入优化过程可以提升搜索性能。然而，在重新设计中如何最好地将 LLM 与数值求解器结合仍不明确。我们开发并测试了一种用于重新设计的 LLM 与优化集成方法，并在一项电动汽车电池包成本最小化案例研究中，针对四类重新设计场景，比较了三种利用 LLM 的方法（热启动、变量固定和 ReAct）与四种黑盒求解器（贝叶斯优化、遗传算法、网格自适应直接搜索和随机搜索）。我们发现，该集成方法能够以少 80% 的模拟器评估次数达到与数值求解器基线相当的可行设计发现效果，同时使找到近优解的运行比例提高到三倍。我们发现，最佳的 LLM 与求解器集成方式以及利用先前解决方案的方式取决于设计需求变化的结构，并且增大 LLM 模型规模带来的收益会随着 LLM 对搜索控制程度的提高而增大。这些结果清楚表明，LLM 在重新设计任务中具有指导或替代数值求解器的潜力。

提交历史

来自：Chan-Eui Song [查看电子邮件]
[v1] 2026 年 10 月 29 日星期四 03:28:30 UTC（2,486 KB）