La generazione di grafi guidata da LLM migliora i metodi di miglioramento locale basati sulla struttura

Un preprint arXiv (2608.13333) ha presentato una pipeline automatizzata che sfrutta i grandi modelli linguistici (LLM) per creare grafi indipendenti dal problema, che assistono nei metodi di miglioramento locale basati sulla struttura per l'ottimizzazione combinatoria. Questo metodo, denominato SLIM (Structure-based Local Improvement Method), affronta il problema della selezione delle variabili nella ricerca di vicinato ampio, tradizionalmente dipendente da scelte casuali o strategie specializzate. La pipeline è compatibile con qualsiasi problema formattato in MiniZinc, garantendo un'ampia applicabilità. Utilizzando prompt semantici per l'LLM, produce un generatore di grafi che traduce qualsiasi istanza del problema in un grafo pesato standardizzato, dove i nodi rappresentano le variabili decisionali e gli archi denotano le relazioni di vincolo. Questi grafi facilitano la selezione delle variabili all'interno di SLIM, promuovendo una rappresentazione universale che consente caratteristiche grafiche coerenti su tutte le istanze del problema. L'obiettivo è automatizzare la progettazione di strategie di selezione delle variabili, migliorando potenzialmente l'efficienza in varie sfide di ottimizzazione. L'articolo è stato scritto da ricercatori ed è disponibile su arXiv con l'identificatore 2608.13333v1.