Resumen: los algoritmos heurísticos juegan un papel vital en la resolución de problemas de optimización combinatoria (CO), sin embargo, los diseños tradicionales dependen en gran medida de la experiencia manual y la lucha para generalizar en diversos casos. Presentamos TextBF {Heuragenix}, un marco hiperheurístico de dos etapas alimentado por modelos de lenguaje grande (LLMS) que primero evoluciona las heurísticas y luego selecciona entre ellos automáticamente. En la fase de evolución heurística, Heuragenix aprovecha un LLM para comparar soluciones heurísticas de semillas con soluciones de mayor calidad y extraer estrategias de evolución reutilizable. Durante la resolución de problemas, elige dinámicamente la heurística más prometedora para cada estado problemático, guiado por la capacidad de percepción de la LLM. Para flexibilidad, este selector puede ser un LLM de última generación o un modelo ligero sintonizado con menor costo de inferencia. Para mitigar la escasez de supervisión confiable causada por la complejidad de CO, ajustamos el selector heurístico ligero con un mecanismo de doble recompensa que explota conjuntamente a los singales de las preferencias de selección y la percepción del estado, lo que permite una selección robusta bajo anotaciones ruidosas. Extensos experimentos sobre puntos de referencia canónicos muestran que Heuragenix no solo supera a las hiper -eurísticas existentes basadas en LLM, sino que también coincide o excede solucionadores especializados. El código está disponible en esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 18 de junio de 2025.
Ver Fuente Original
