知识卡片：大语言模型发现组合优化的互补启发式

一句话结论

LACE 将大语言模型用于组合优化算法设计：先建立经验证的问题契约和 I–O–T–H 接口，再通过时间约束下的互补演化生成并选择一组互补启发式；材料报告其在 36 个 CO-Bench 经典问题上平均得分 0.945，高于最强已有 LLM 基线 0.870 和直接提示 0.571，并把增益主要归因于框架而非单纯模型。

事件概述或研究问题

组合优化支撑科学、工程和产业决策，尤其是制造、物流、医疗运营和能源管理。为新问题变体设计有效启发式通常需要深厚领域知识和数月专家迭代。直接提示大语言模型可以生成可执行代码，但单次合成完整启发式在新组合优化问题上经常失败。

Nature Machine Intelligence 材料显示，Huatian Gong 等作者提出 LACE（LLM-driven Algorithm Construction via Complementary Evolution），研究问题是：能否用大语言模型自动发现有效组合优化算法，并让框架而非单次模型输出承担主要算法设计工作。来源材料标注在线发表时间为 2026 年 10 月 1 日。

方法/产品要点

• LACE 把算法设计分解为输入模式、输出模式、工具库和启发式组合，即 I–O–T–H 接口。
• 该接口指定一个经验证的问题契约，使大语言模型在受约束空间中工作，把模型能力导向高层算法推理，而不是问题特定的实现细节。
• 互补演化在严格运行时预算下迭代生成并选择专用启发式，以处理异构实例。
• 代码可用性信息显示，LACE 框架包含四个第一阶段设计器代理、七个第二阶段演化算子，以及一个互补选择求解器。
• 数据与代码以 MIT 许可发布在 LACE 仓库、Zenodo，并提供 Supplementary Information 网页和 Colab 复现 notebook。

主要结果或产业意义

• 在 36 个经典 CO-Bench 问题上，LACE 平均得分为 0.945；最强已有 LLM 方法为 0.870；无框架的直接 LLM 提示为 0.571。
• 在四个结构上新的组合优化问题上，LACE 达到 0.97–0.99，而五个已有 LLM 基线未能产生任何可行算法。
• 图注信息称：LACE 在 CO-Bench 套件上优于已有 LLM 方法和经典方法；可零样本泛化到四个新问题；工具库与互补组合都不可或缺；并在不同前沿 LLM 后端上表现稳健，存在成本-效率权衡。
• 产业意义：如果这些结果可复现并扩展到真实场景，制造、物流、医疗运营和能源管理等依赖组合优化的决策场景，可能受益于更自动化的启发式设计与算法发现流程。具体工业部署效果待核实。

为什么重要

这条工作把大语言模型从“直接写代码/单次提示”推进到“结构化算法发现框架”：问题契约、工具库和互补启发式组合共同构成可演化的设计空间。材料强调增益来自框架而非模型，这对图书、简报和产业讨论都很关键：不要只问“换哪个模型”，还要问“如何组织模型与搜索过程”。

与既有脉络的关系：已有卡片分别涉及大语言模型预测分子编辑序列、选择性水印、预算感知测试时模型选择。本条不重复这些事实，而是同一“大语言模型用于科学与工程发现/算法搜索”脉络中的组合优化分支。增量信息是：用经验证问题契约和互补演化形成启发式组合，并报告 CO-Bench 36 题与 4 个新问题上的量化结果。

局限与不确定性

• 来源材料为订阅预览，本卡片主要依据摘要、图注、数据/代码可用性编写；完整实验细节待核实。
• 摘要中的 0.945、0.870、0.571、0.97–0.99 均为作者报告值，独立复现与统计显著性待核实。
• 基线设置、模型后端清单、运行时预算定义、计算成本、失败案例、消融实验细节待核实。
• CO-Bench 36 个经典问题的具体构成来自被重分发的基准；四个新问题的结构、难度和评价方式待核实。
• 数据/代码许可为 MIT，但模型权重、第三方数据许可及真实工业场景适用性待核实。
• LACE 是否可迁移到动态、多目标、约束不确定或超大规模问题，待核实。

可用于图书/PPT/简报的角度

• 从“提示模型”到“构建框架”：LLM 作为算法设计器的接口化思路。
• 互补启发式组合 vs. 单一最佳算法：为什么组合式求解器能处理异构实例。
• LLM + 演化搜索：自动算法发现的一种工程化路径。
• 组合优化在制造、物流、医疗运营、能源管理中的决策价值。
• CO-Bench 与开源复现：如何用基准、代码和数据检验“AI 做算法发现”的宣称。
• 框架增益与模型增益分离：评估 LLM 应用时不要只看底层模型分数。

原始材料

• 英文标题：Large language models discover complementary heuristics for combinatorial optimization
• 来源：Nature Machine Intelligence
• 发表信息：Published online: 01 October 2026
• DOI：10.1038/s42256-026-01307-8
• URL：https://www.nature.com/articles/s42256-026-01307-8
• 作者：Huatian Gong、Shuaian Wang、Dongping Song、Jiuh-Biing Sheu、Ran Yan 等（完整作者列表待核实）
• 数据与代码：
  • LACE repository：https://github.com/PJ-NTU/LACE
  • Zenodo：https://doi.org/10.5281/zenodo.21886438
  • Supplementary Information 网页：https://pj-ntu.github.io/LACE/lace_supplementary_information.html
  • Colab notebook：https://colab.research.google.com/github/PJ-NTU/LACE/blob/main/notebooks/reproduce.ipynb
• 英文关键词（来源未单列关键词；以下为从标题与摘要提取，待核实是否与原文关键词一致）：large language models; combinatorial optimization; heuristics; complementary evolution; algorithm construction; LACE.