論文の概要: Algorithmic Prompt-Augmentation for Efficient LLM-Based Heuristic Design for A* Search

• arxiv url: http://arxiv.org/abs/2601.19622v1
• Date: Tue, 27 Jan 2026 13:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.341039
• Title: Algorithmic Prompt-Augmentation for Efficient LLM-Based Heuristic Design for A* Search
• Title（参考訳）: A*探索のための効率的なLLMに基づくヒューリスティック設計のためのアルゴリズム的プロンプト拡張
• Authors: Thomas Bömer, Nico Koltermann, Max Disselnmeyer, Bastian Amberg, Anne Meyer,
• Abstract要約: ヒューリスティック関数は木探索アルゴリズムの精度と効率が検索結果に直接影響を与えるA*としての性能に不可欠である。 大規模言語モデル(LLM)や進化的フレームワークの最近の進歩は、自動設計への扉を開いた。 ドメインに依存しない新しいプロンプト拡張戦略を導入し,A* コードをテキスト内学習を活用するプロンプトに組み込む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heuristic functions are essential to the performance of tree search algorithms such as A*, where their accuracy and efficiency directly impact search outcomes. Traditionally, such heuristics are handcrafted, requiring significant expertise. Recent advances in large language models (LLMs) and evolutionary frameworks have opened the door to automating heuristic design. In this paper, we extend the Evolution of Heuristics (EoH) framework to investigate the automated generation of guiding heuristics for A* search. We introduce a novel domain-agnostic prompt augmentation strategy that includes the A* code into the prompt to leverage in-context learning, named Algorithmic - Contextual EoH (A-CEoH). To evaluate the effectiveness of A-CeoH, we study two problem domains: the Unit-Load Pre-Marshalling Problem (UPMP), a niche problem from warehouse logistics, and the classical sliding puzzle problem (SPP). Our computational experiments show that A-CEoH can significantly improve the quality of the generated heuristics and even outperform expert-designed heuristics.
• Abstract（参考訳）: ヒューリスティック関数はA*のような木探索アルゴリズムの性能に必須であり、その精度と効率が検索結果に直接影響を与える。 伝統的に、そのようなヒューリスティックは手作りであり、かなりの専門知識を必要とする。 大規模言語モデル(LLM)や進化的フレームワークの最近の進歩は、ヒューリスティックデザインを自動化するための扉を開いた。 本稿では,A*探索のための誘導ヒューリスティックの自動生成について,EoHフレームワークを拡張した。 我々は、A*コードを含む新しいドメインに依存しないプロンプト拡張戦略を導入し、アルゴリズム-コンテキストEoH (A-CEoH) と名づけられた非コンテキスト学習のプロンプトに組み込む。 A-CeoHの有効性を評価するために,倉庫物流のニッチな問題であるUPMP(Unit-Load Pre-Marshalling Problem)と,古典的なスライディングパズル問題(SPP)の2つの問題領域について検討した。 計算実験により、A-CEoHは生成したヒューリスティックスの品質を大幅に向上し、専門家が設計したヒューリスティックスよりも優れることが示された。

関連論文リスト

• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• Efficient Heuristics Generation for Solving Combinatorial Optimization Problems Using Large Language Models [52.538586230181814]
  近年のLarge Language Models (LLMs) を用いた組合せ最適化問題の解法に関する研究 プロンプトにおけるタスク固有の知識の欠如は、LLMが不特定な探索方向を提供し、良好なパフォーマンスの導出を妨げることがしばしばある。 本稿では,Herculesアルゴリズムを提案する。このアルゴリズムは設計したコア抽象化プロンプティング(CAP)法を利用して,コアコンポーネントをエリートHGから抽象化し,プリミティブに事前知識として組み込む。
  論文  参考訳（メタデータ） (2025-05-19T02:20:46Z)
• Leveraging Large Language Models to Develop Heuristics for Emerging Optimization Problems [0.0]
  組合せ最適化問題は、しばしば効率的な解を生成するアルゴリズムに依存する。 人工知能の最近の進歩は、進化の枠組みを通じて生成を自動化する可能性を実証している。 本研究では,問題固有の記述を組み込んだコンテキスト進化型ヒューリスティックスフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-05T10:22:49Z)
• QUBE: Enhancing Automatic Heuristic Design via Quality-Uncertainty Balanced Evolution [14.131178103518907]
  Quality-Uncertainty Balanced Evolution (QUBE)は、FunSearchフレームワーク内で優先度基準を再定義することによって、LLM+EAメソッドを強化する新しいアプローチである。 QUBEは、提案した不確実性-包括的品質基準に基づいて、品質-不確実性トレードオフ基準(QUTC)を採用している。 NP完全問題に対する広範な実験を通じて、QUBEはFunSearchやベースラインメソッドよりも大きなパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2024-12-30T04:05:22Z)
• Evolution of Heuristics: Towards Efficient Automatic Algorithm Design Using Large Language Model [22.64392837434924]
  EoHは自然言語における思考の考えを表しており、これは「思考」と呼ばれている。 それらはLarge Language Models (LLM) によって実行可能なコードに変換される。 EoHは、オンラインのビンパッキング問題に対して、広く使われている人手作りのベースラインアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2024-01-04T04:11:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。