G-LNS：L関man基底の自動ヒューリスティックデザイン向けに拡張された大型近傍探索法

大きな言語モデル（LLM）は、最近、自動的な最適化アルゴリズムの設計において Promise を示した。しかし、既存の取り組みは一般的には、構築的優先順位ルールやパラメトリックな近接探索ガイドなどから、AHD を構成しようとすることであり、固定されたヒューリスティックの形式を制限するため、最適化空間は固定的に制限されています。 これらのお手本では、深くのローカルオペレーションで難問を避け逃げるという困難な作業が行われています。 この仕事では、G-LNSと名付けられた進化的変型フレームワークを提案しています。L関man基底のAHDから拡張したLarge Neighborhood Search (LNS) ヘルスティックオペレーターを自動的に設計するのに。前例の方法は、単独で優先順位ルールを進化させています。 しかし、G-LNSはLLMを用いてコラボレーションして破壊と修復オペレーターのペアを共同的に進化させてます。 明示的で相互作用捕らえられる評価メカニズムが、この対応者間の相互作用から補完的なルールを発見する助けとなっています。 この対象となる課題に対する詳細な実験は複雑なコンビニュアティブ最適化問題におけるTSP（巡回商人問題）やCVRP（荷物送り問題）など多様な事例データセットから行われています。 実験結果は、G-LNSの実行速度を大幅にアップさせて、また強力な古典的な解法の比類のない近似値まで近接値を達成し続けています。

arXiv:2602.08253v1 Announce Type: new Abstract: While Large Language Models (LLMs) have recently shown promise in Automated Heuristic Design (AHD), existing approaches typically formulate AHD around constructive priority rules or parameterized local search guidance, thereby restricting the search space to fixed heuristic forms. Such designs offer limited capacity for structural exploration, making it difficult to escape deep local optima in complex Combinatorial Optimization Problems (COPs). In this work, we propose G-LNS, a generative evolutionary framework that extends LLM-based AHD to the automated design of Large Neighborhood Search (LNS) operators. Unlike prior methods that evolve heuristics in isolation, G-LNS leverages LLMs to co-evolve tightly coupled pairs of destroy and repair operators. A cooperative evaluation mechanism explicitly captures their interaction, enabling the discovery of complementary operator logic that jointly performs effective structural disruption and reconstruction. Extensive experiments on challenging COP benchmarks, such as Traveling Salesman Problems (TSP) and Capacitated Vehicle Routing Problems (CVRP), demonstrate that G-LNS significantly outperforms LLM-based AHD methods as well as strong classical solvers. The discovered heuristics not only achieve near-optimal solutions with reduced computational budgets but also exhibit robust generalization across diverse and unseen instance distributions.