面向A*搜索高效LLM启发式设计的算法化提示增强

启发式函数对A*等树搜索算法的性能至关重要，其准确性和效率直接影响搜索结果。传统上，此类启发式依赖手工设计，需要大量专业知识。大语言模型（LLM）和进化框架的最新进展为自动化启发式设计打开了大门。本文扩展Evolution of Heuristics（EoH）框架，研究A*搜索引导启发式的自动生成。我们引入一种新颖的领域无关提示增强策略，将A*代码纳入提示以利用上下文学习，称为Algorithmic-Contextual EoH（A-CEoH）。为评估A-CEoH的有效性，我们研究两个问题域：仓储物流中的小众问题——单元负载预翻箱问题（UPMP），以及经典的滑块拼图问题（SPP）。计算实验表明，A-CEoH能显著提升生成启发式的质量，甚至超越专家设计的启发式。