Resumen:A medida que los problemas de optimización se vuelven cada vez más complejos y diversos, los avances en las técnicas de optimización y las innovaciones de paradigmas adquieren una importancia significativa. Los desafíos que plantean los problemas de optimización se manifiestan principalmente en su no convexidad, alta dimensionalidad, naturaleza de caja negra y otras características desfavorables. Los métodos tradicionales de orden cero o de primer orden, que a menudo se caracterizan por una baja eficiencia, información de gradiente inexacta y una utilización insuficiente de la información de optimización, no están preparados para abordar estos desafíos de manera efectiva. En los últimos años, el rápido desarrollo de los grandes modelos de lenguaje (LLM) ha llevado a mejoras sustanciales en su comprensión del lenguaje y capacidades de generación de código. En consecuencia, el diseño de algoritmos de optimización que aprovechan grandes modelos de lenguaje ha atraído cada vez más atención por parte de los investigadores. En este estudio, elegimos el algoritmo de fuegos artificiales (FWA) como optimizador básico y proponemos un enfoque novedoso para ayudar en el diseño del FWA mediante la incorporación de un modelo de lenguaje grande multimodal (MLLM). En pocas palabras, proponemos el concepto de Parte Crítica (CP), que extiende FWA a tareas complejas de alta dimensión y utiliza aún más la información en el proceso de optimización con la ayuda de las características multimodales de grandes modelos de lenguaje. Nos centramos en dos tareas específicas: el textit{problema del viajante de comercio} (TSP) y el textit{problema de automatización del diseño electrónico} (EDA). Los resultados experimentales muestran que los FWA generados bajo nuestro nuevo marco han logrado o superado los resultados de SOTA en muchos casos de problemas.
Publicado originalmente en export.arxiv.org el 5 de noviembre de 2025.
Ver fuente original
