LLM יוצרים היוריסטיקות טובות יותר ל-A*: מחקר חדש

בעידן שבו יעילות החיפוש קובעת את ההצלחה באלגוריתמים, חוקרים מציגים גישה חדשנית: שימוש במודלי שפה גדולים (LLM) ליצירת היוריסטיקות אוטומטית לאלגוריתם A*. לפי המחקר שפורסם ב-arXiv, השיטה A-CEoH משפרת משמעותית את איכות ההיוריסטיקות ואף עולה על כאלה שנוצרו על ידי מומחים. זה פותח דלת לשיפור אוטומטי של בעיות מורכבות כמו לוגיסטיקה. היוריסטיקות הן לב ליבה של אלגוריתמי חיפוש עצים כמו A*, שבהם דיוקן ויעילותן משפיעים ישירות על תוצאות החיפוש. באופן מסורתי, הן נבנות בעבודת יד על ידי מומחים, דבר הדורש ידע רב. המחקר מרחיב את מסגרת התפתחות ההיוריסטיקות (EoH) ומציג את A-CEoH – אסטרטגיית שיפור פרומפטים נטולת תלות בתחום ספציפי, הכוללת את קוד אלגוריתם A* בפרומפט כדי לנצל למידה בהקשר. בניסויים חישוביים, בדקו החוקרים שני תחומי בעיות: בעיית סידור טעינות מראש במחסנים (UPMP) – בעיה נישתית מלוגיסטיקת מחסנים, ובעיית הפאזל המחליק הקלאסית (SPP). התוצאות מראות כי A-CEoH משפרת באופן משמעותי את איכות ההיוריסטיקות הנוצרות, ומצליחה להשיא ביצועים גבוהים יותר מאשר היוריסטיקות של מומחים. הגישה החדשה מדגישה את הפוטנציאל של LLM באוטומציה של עיצוב אלגוריתמים, במיוחד בתחומים כמו לוגיסטיקת מחסנים שבהם חיפוש יעיל חוסך זמן וכסף. בהשוואה לשיטות קודמות, A-CEoH נטולת תלות בתחום ומשלבת את האלגוריתם עצמו בפרומפט, מה שמאפשר התאמה גמישה לבעיות שונות. למנהלי עסקים בישראל, המפתחים מערכות אוטומציה, השיטה הזו מבטיחה שיפורים מהירים בביצועי חיפוש. כדאי לעקוב אחר התפתחויות כאלה, שכן הן עשויות לשנות את אופן פיתוח תוכנה מתקדם. מה תחום הבעיה הבא ש-A-CEoH תכבוש?