DyACE：基于大语言模型的在线自动启发式设计动态算法协同演化

自动启发式设计（AHD）的主流范式通常依赖这样一个假设：单一固定算法能有效应对组合搜索中不断变化的动态。这种静态方法对扰动式启发式（Perturbative Heuristics）常不适用，因为逃离局部最优的最优算法高度依赖具体搜索阶段。为解决这一局限，我们将启发式设计重新表述为非平稳双层控制问题，并提出DyACE（Dynamic Algorithm Co-evolution）。与标准开环求解器不同，DyACE采用滚动时域控制（Receding Horizon Control）架构，使启发式逻辑与解种群持续协同演化。该框架的核心是Look-Ahead Rollout Search，它查询景观几何以提取搜索轨迹特征。这种感官反馈使大型语言模型（LLM）得以充当有依据的元控制器，根据实时搜索状态开出阶段特定的干预处方。我们在三个代表性组合优化基准上验证DyACE。结果表明，我们的方法显著优于最先进的静态基线，在高维搜索空间中表现出更优的可扩展性。此外，消融研究证实，没有接地感知的动态适应会失效，甚至常常不如静态算法。这表明DyACE的有效性源于合成逻辑与优化景观经验证梯度之间的因果对齐。