Исследователи представили метод LLM-Guided Evolutionary Search, который использует большие языковые модели для автоматической переформулировки декларативных моделей ограничений. Подход позволяет значительно повысить эффективность бэкенд-солверов при решении сложных комбинаторных задач. Использование ИИ для оптимизации структуры моделей сокращает время вычислений, делая процесс решения прикладных промышленных задач более быстрым и менее ресурсоемким по сравнению с ручной настройкой.
Комбинаторные задачи часто встречаются в логистике, планировании и производстве, где критически важна скорость работы решателей. Хотя современные LLM способны генерировать корректные модели на основе естественного языка, их производительность при выполнении конкретных вычислений часто ограничена неоптимальной формулировкой задачи. Новый метод объединяет генеративные способности языковых моделей с эволюционными алгоритмами поиска, которые итеративно улучшают математическое представление модели.
В процессе работы система генерирует несколько вариантов переформулировки исходной задачи, оценивая их эффективность через запуск на целевых солверах. Эволюционный цикл позволяет отсеивать неэффективные структуры и находить наиболее оптимальные варианты, которые минимизируют время поиска решения. Такой подход автоматизирует этап подготовки данных и моделей, который традиционно требовал участия экспертов в области исследования операций.
Ключевые факты
- Метод сочетает LLM для генерации вариантов переформулировки и эволюционные алгоритмы для их оценки и отбора.
- Решение направлено на устранение неэффективности декларативных моделей, которые корректны по логике, но сложны для исполнения солверами.
- Подход применим к широкому спектру промышленных комбинаторных задач, требующих высокой вычислительной производительности.
- Автоматизация процесса переформулировки снижает зависимость от ручной оптимизации моделей экспертами-математиками.