跳到正文
arXiv cs.AI· Yi Chu, Jinyuan Li, Yiwen Sun, Mengchuan Zou, Shaowei Cai·· 4 小时前AI 评分24

AutoPBO:用 LLM 自动优化局部搜索 PBO 求解器

AutoPBO: LLM-powered Optimization for Local Search PBO Solvers

AI 导读

AutoPBO 是一个由 LLM 驱动的框架,用于自动增强伪布尔优化(PBO)局部搜索求解器的内部启发式设计。在四个公开基准(含一个真实世界基准、PB 竞赛基准、整数线性规划优化基准和构造组合基准)上,AutoPBO 相比 NuPBO、OraSLS 等局部搜索方法取得显著提升,并与 PBO-IHS、RoundingSat、Gurobi、SCIP 等六个 SOTA 求解器保持竞争力。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:伪布尔优化(PBO)通过伪布尔(PB)约束为组合问题建模提供了强大的框架。局部搜索求解器在 PBO 求解中展现出优异性能,其效率高度依赖于引导搜索的内部启发式策略。然而在实践中,它们的设计往往需要大量专家投入和人工调优。尽管大语言模型(LLM)已展现出自动化算法设计的潜力,但其在优化 PBO 求解器方面的应用仍未被探索。在本工作中,我们提出 AutoPBO,一种由 LLM 驱动的新型框架,用于自动增强 PBO 局部搜索求解器。我们在四个公开基准的广泛范围内开展实验,包括一个真实世界基准、一个 PB 竞赛基准、一个整数线性规划优化基准以及一个构造的组合基准,以评估 AutoPBO 所实现的性能提升,并与六个最先进的竞争方法进行比较,包括两个局部搜索 PBO 求解器 NuPBO 和 OraSLS、两个完备 PB 求解器 PBO-IHS 和 RoundingSat,以及两个混合整数规划(MIP)求解器 Gurobi 和 SCIP。AutoPBO 相较以往的局部搜索方法展现出显著改进,同时与最先进的竞争方法相比保持了有竞争力的性能。结果表明,AutoPBO 为自动化局部搜索求解器设计提供了一条有前景的途径。
评论: 作者顺序已更新。科学内容无变化
主题: 人工智能(cs.AI)
引用为: arXiv:2509.04007 [cs.AI]
  (或 arXiv:2509.04007v2 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2509.04007

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Jinyuan Li [查看邮箱]
[v1] 2025年9月4日 星期四 08:38:42 UTC(860 KB)
[v2] 2026年11月17日 星期二 12:20:04 UTC(860 KB)

来源:arXiv cs.AI · arxiv.org