Resumen: El paradigma predominante en el diseño heurístico automatizado (AHD) generalmente se basa en la suposición de que un algoritmo único y fijo puede navegar de manera efectiva la dinámica cambiante de una búsqueda combinatoria. Este enfoque estático a menudo resulta inadecuado para la heurística perturbativa, donde el algoritmo óptimo para escapar de los óptimos locales depende en gran medida de la fase de búsqueda específica. Para abordar esta limitación, reformulamos el diseño heurístico como un problema de control de dos niveles no estacionario e introducimos DyACE (coevolución del algoritmo dinámico). A diferencia de los solucionadores de bucle abierto estándar, DyACE utiliza una arquitectura de control de horizonte receding para coevolucionar continuamente la lógica heurística junto con la población de soluciones. Un elemento central de este marco es la búsqueda de implementación anticipada, que consulta la geometría del paisaje para extraer características de la trayectoria de búsqueda. Esta retroalimentación sensorial permite que el modelo de lenguaje grande (LLM) funcione como un metacontrolador fundamentado, prescribiendo intervenciones específicas de fase adaptadas al estado de búsqueda en tiempo real. Validamos DyACE en tres puntos de referencia de optimización combinatoria representativos. Los resultados demuestran que nuestro método supera significativamente las líneas de base estáticas de última generación, mostrando una escalabilidad superior en espacios de búsqueda de alta dimensión. Además, los estudios de ablación confirman que la adaptación dinámica falla sin una percepción fundamentada y, a menudo, funciona peor que los algoritmos estáticos. Esto indica que la eficacia de DyACE surge de la alineación causal entre la lógica sintetizada y los gradientes verificados del panorama de optimización.
Publicado originalmente en export.arxiv.org el 16 de marzo de 2026.
Ver fuente original
