CogMCTS: Kognitive MCTS-Strategie verbessert Heuristik-Entwicklung mit LLMs

Ein neues Forschungsframework namens CogMCTS kombiniert die kognitive Leistungsfähigkeit großer Sprachmodelle (LLMs) mit der Monte‑Carlo‑Tree‑Search‑Methode (MCTS), um die automatische Gestaltung von Heuristiken für komplexe Optimierungsprobleme zu revolutionieren.

Traditionelle LLM‑basierte Evolutionstechniken nutzen häufig Populationsstrategien, die schnell in lokale Optima abrutschen und die Vielfalt der Suchergebnisse einschränken. Durch die Integration von LLM‑gestützter kognitiver Rückkopplung in MCTS kann CogMCTS sowohl die Exploration als auch die Ausnutzung von Heuristiken besser ausbalancieren und gleichzeitig historische Erfahrungen, Knoteninhalte und negative Ergebnisse berücksichtigen.

Das System verwendet einen dualen Expansionspfad, der die Erzeugung vielfältiger Heuristiken mit der gezielten Nutzung hochwertiger, bereits erfolgreicher Varianten kombiniert. Zusätzlich führt eine strategische Mutationsphase gezielte Änderungen an Heuristikformen und Parametern ein, um die Lösungsvielfalt weiter zu erhöhen und die Gesamtoptimierung zu verbessern.

Experimentelle Ergebnisse zeigen, dass CogMCTS bestehende LLM‑basierte Heuristik‑Entwicklungsmethoden in Bezug auf Stabilität, Effizienz und Lösungsqualität deutlich übertrifft. Diese Fortschritte markieren einen wichtigen Schritt in Richtung leistungsfähiger, automatisierter Optimierungswerkzeuge, die von modernen Sprachmodellen profitieren.