DGA₂D：用有向图引导大语言模型自动设计算法

1. 发生了什么

原始事实： 论文提出Directed Graph-Guided Automated Algorithm Design框架，简称DGA₂D，用于LLM驱动的自动启发式设计。其目标是解决现有方法受固定求解器模板限制的问题。

原始事实： DGA₂D把开放式程序空间表示为有向图。每个节点对应一个功能算子，并可从多个候选代码实现中实例化；一条有向路径或有向游走代表完整的算法流水线。论文还引入一阶路径依赖信用分配，根据代码变体所在的拓扑上下文进行评价。

分析： 这相当于把“选择哪些算子”和“如何组合算子”纳入同一个搜索空间，同时承认同一代码模块放在不同上下文中可能产生不同效果。

原始事实： 实验覆盖12个不同的组合优化问题，范围包括复杂调度与路由任务。摘要称，DGA₂D相较最先进的LLM基线，平均归一化差距最多降低10.96个百分点。

未核验推断： 仅凭摘要无法确认该数字对应所有任务的平均值、某一设置下的最佳结果，或是否经过多次随机运行与显著性检验。

分析： 自动启发式设计的瓶颈不只是生成单个算子，还包括算子之间的结构组合、搜索规模和性能归因。图结构提供了显式的组合表示，路径依赖信用分配则试图缓解“某段代码究竟在何种上下文中有效”的归因问题。

分析： 若结果可复现，该方法可能帮助研究者自动探索调度、路径规划等问题的混合启发式流程，减少手工设计固定算子链的工作。工程落地仍需要代码验证、运行预算控制、约束检查，以及对生成算法的可解释评估。

原始事实： 摘要指出的挑战包括生成算子的可靠性低、搜索空间极大和信用分配无效。摘要未提供模型名称、提示策略、候选代码数量、搜索成本、运行时间、基线清单或每个问题的详细结果。

分析： 算法流水线的自由度越高，搜索成本和失败模式可能越复杂；如果候选实现质量、评估预算或问题实例分布影响很大，跨任务优势可能难以稳定迁移。需要全文与代码来判断公平性和复现难度。