LLM-gestützte Heuristiken neu gedacht: DASH steigert Effizienz um 300 %

Large Language Models (LLMs) haben die automatisierte Entwicklung von Heuristiken für kombinatorische Optimierungsprobleme revolutioniert. Anstatt auf manuelle Entwürfe zu setzen, generieren LLM‑basierte Verfahren (LLHD) iterativ neue Solver und verfeinern sie, um Spitzenleistungen zu erzielen. Bisher litten solche Systeme jedoch unter zwei gravierenden Schwächen: Erstens bewerteten sie Solver ausschließlich anhand ihrer Endqualität, ohne den Konvergenzverlauf und die Laufzeit zu berücksichtigen. Zweitens verlangten plötzliche Änderungen in der Problemverteilung einen vollständigen Neuanpassungsprozess, was enorme Kosten verursachte.

Die neue Methode DASH (Dynamics‑Aware Solver Heuristics) löst diese Probleme, indem sie die Suchmechanismen und die Laufzeitplanung gleichzeitig optimiert. Ein konvergenz‑sensibler Messwert steuert den Prozess, sodass Solver nicht nur gute Endergebnisse liefern, sondern auch effizient konvergieren. Zusätzlich integriert DASH Profiled Library Retrieval (PLR), das spezialisierte Solver während des Evolutionsprozesses archiviert. Diese Bibliothek ermöglicht kostengünstige Warm‑Starts für unterschiedliche Problemverteilungen und reduziert die Anpassungskosten drastisch.

In Experimenten an vier klassischen kombinatorischen Optimierungsaufgaben konnte DASH die Laufzeit um mehr als das Dreifache verkürzen und gleichzeitig die Lösungsqualität gegenüber führenden Baselines übertreffen. Durch die profilbasierte Warm‑Start‑Strategie bleibt die Genauigkeit bei veränderten Verteilungen stabil, während die LLM‑Anpassungskosten um über 90 % gesenkt werden.