論文の概要: LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning

• arxiv url: http://arxiv.org/abs/2605.29649v1
• Date: Thu, 28 May 2026 09:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.56846
• Title: LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning
• Title（参考訳）: シンボリックAI計画のためのLLM進化ドメイン独立ヒューリスティック
• Authors: Elliot Gestrin, Jendrik Seipp,
• Abstract要約: ヒューリスティック検索は、象徴的なAI計画において支配的なパラダイムである。 ヒューリスティック検索は、象徴的なAI計画において支配的なパラダイムである。 ヒューリスティック検索は、象徴的なAI計画において支配的なパラダイムである。
• 参考スコア（独自算出の注目度）: 2.9864637081333085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heuristic search is the dominant paradigm in symbolic AI planning, and the strongest heuristics are the result of decades of work by planning researchers. Recent work has shown that large language models (LLMs) can design heuristics for individual planning domains, but no LLM-generated heuristic has so far worked on arbitrary planning tasks. In this paper, we use evolutionary search to produce the first LLM-generated domain-independent heuristics that exceed the hand-engineered state of the art. We let an LLM mutate parent heuristics written in C++, store candidates in a MAP-Elites archive keyed on informedness and speed and calculate fitness scores by blending coverage with solving time. To place the evolved programs in context, we additionally benchmark a broad set of hand-engineered heuristics on their informedness-speed tradeoff, which to our knowledge has not been done before. On unseen testing domains, our best evolved heuristic solves more tasks than even the strongest baseline, with our full heuristic suite spanning the Pareto frontier of said tradeoff. We also find that seeding evolution from the trivial blind heuristic outperforms seeding from the strong FF heuristic, even when the resulting program is itself an FF variant, and that LLM reasoning effort affects how often candidates compile much more than the quality of those that do. Because the evolved programs are plain C++, they slot into existing planners as drop-in replacements and inherit the soundness and completeness guarantees of the underlying search.
• Abstract（参考訳）: ヒューリスティック検索は、象徴的なAI計画において支配的なパラダイムであり、最も強力なヒューリスティックは、計画研究者による数十年の成果である。 近年の研究では、大規模言語モデル(LLM)が個々の計画領域に対してヒューリスティックを設計できることが示されているが、LLMの生成したヒューリスティックは、これまで任意の計画タスクに取り組んでいない。 本稿では,LLMが生成するドメインに依存しない最初のヒューリスティックを進化探索を用いて生成する。 C++ で書かれた LLM の親ヒューリスティックをミュートし、情報量と速度をキーとしたMAP-Elites アーカイブに候補を格納し、カバレッジと問題解決時間をブレンドして適合度スコアを算出する。 進化したプログラムを文脈に配置するために、我々はまた、その情報化速度のトレードオフについて、手作業による幅広いヒューリスティックのセットをベンチマークする。 目に見えないテスト領域において、最も進化したヒューリスティックは、最強のベースラインよりも多くのタスクを解決し、そのトレードオフのParetoフロンティアにまたがるフルヒューリスティックスイートです。 また, プログラム自体がFF変種である場合でも, 強FF変種から発芽する, 自明なブラインドヒューリスティック・アウトプルーフから発芽する進化が, 候補者がどの程度の頻度でコンパイルするかに影響を及ぼすことも見出した。 進化したプログラムは普通のC++なので、既存のプランナーをドロップイン代替として入れ替え、基礎となる検索の健全性と完全性を保証する。

関連論文リスト

• Evolving Prompts In-Context: An Open-ended, Self-replicating Perspective [65.12150411762273]
  ランダムなデモを不整合な "gibberish" にプルーニングすることで,多様なタスクにおけるパフォーマンスが著しく向上することを示す。 本稿では,低データレジームのみを用いてプルーニング戦略を自動的に検索する自己発見プロンプト最適化フレームワークPromptQuineを提案する。
  論文  参考訳（メタデータ） (2025-06-22T07:53:07Z)
• Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with Python Code [6.88204255655161]
  大規模言語モデル(LLM)は、計画タスクの詳細な定義を伴っても、確実に計画に失敗する。 サイズが大きくなるような配布外タスクであっても、LCMを使って正確な計画を生成する方法を示す。
  論文  参考訳（メタデータ） (2025-03-24T15:50:20Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)

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。