面向工业过程控制的LLM驱动启发式合成：来自热轧钢的经验

工业过程控制要求控制策略可解释、可审计，这是黑盒神经策略难以满足的要求。我们研究一个面向热轧钢的LLM驱动启发式合成框架，其中语言模型利用基于物理的模拟器提供的丰富行为反馈，迭代提出并改进人类可读的Python控制器。该框架结合结构化的战略构思、可执行代码生成以及跨多种工况的逐组件反馈，对压下量、道次间隔时间和轧制速度的控制逻辑进行搜索。我们的第一个贡献是一条面向工业过程控制的可审计控制器合成流水线。生成的控制器是可供专家审查的显式程序，我们还为其配套了自动化审计流水线，对最佳合成启发式控制器的关键安全性与单调性性质进行形式化验证。我们的第二个贡献是一种面向LLM驱动启发式搜索的有原则的预算分配策略：我们证明最初为随机算法开发的Luby式通用重启可直接迁移到该场景，免除针对特定问题的预算调参。单次160次迭代的Luby实验逼近了由52次临时实验（共730次迭代）导出的事后最优预算分配。