LACE优化算法框架

LACE（LLM-driven Algorithm Construction via Complementary Evolution）是南洋理工大学 Huatian Gong 团队提出的框架，让大语言模型自动设计组合优化问题的启发式算法，论文发表于《自然·机器智能》。它用 I-O-T-H 接口（输入/输出模式、工具库、启发式组合）把数学问题与软件工程问题分开，再用进化引擎维护一组各擅一类的"专家"启发式，而非押注单一算法。在 CO-Bench 的 36 个经典问题上，LACE 平均得分 0.945，最强的现有 LLM 方法为 0.870，直接提示同一模型仅 0.571——差距来自架构而非更聪明的模型。代码已开源。组合优化广泛用于排产、路径规划、手术室分配与电网调度，此前新问题往往需要人类专家数月手工设计启发式。【存疑】第三方独立复现结果尚未见诸材料，效果是否可推广仍待验证。争议点在于：这类自动设计能否替代专家经验——论文的评测支持前者，但泛化到工业界真实新问题的证据在材料中尚不完整。