Automated Heuristic Design for Unit Commitment Using Large Language Models
作者: Junjin Lv, Chenggang Cui, Shaodi Zhang, Hui Chen, Chunyang Gong, Jiaming Liu
分类: cs.AI, eess.SY
发布日期: 2025-06-14
💡 一句话要点
提出基于大语言模型的FunSearch方法，用于自动设计电力系统机组组合方案
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机组组合 大语言模型 函数空间搜索 电力系统优化 启发式算法
📋 核心要点
- 机组组合问题是电力系统优化的核心，传统方法在精度和鲁棒性方面面临挑战。
- 论文提出FunSearch方法，利用大语言模型的代码生成能力，在函数空间搜索更优的机组组合方案。
- 实验表明，FunSearch在采样、评估时间和总运行成本上优于遗传算法，展现了其潜力。
📝 摘要（中文）
本文针对电力系统优化调度中的经典难题——机组组合(UC)问题，提出了一种基于大语言模型的功能空间搜索(FunSearch)方法。该方法结合了预训练的大语言模型和评估器，通过程序搜索和进化过程创造性地生成解决方案，同时保证其合理性。仿真实验主要针对一个包含10个机组的机组组合案例。与遗传算法相比，结果表明FunSearch在采样时间、评估时间和系统总运行成本方面表现更好，展示了其作为解决UC问题的有效工具的巨大潜力。
🔬 方法详解
问题定义：机组组合(UC)问题旨在确定在满足电力需求的同时，如何以最低成本启动和关闭发电机组。现有方法，如遗传算法和拉格朗日松弛法，在求解精度和鲁棒性方面存在不足，难以应对复杂电力系统的优化调度需求。
核心思路：论文的核心思路是利用大语言模型强大的代码生成能力，将机组组合问题的求解转化为在函数空间中的搜索问题。通过不断进化和评估生成的代码，寻找能够有效降低系统运行成本的机组组合方案。这种方法避免了手动设计启发式规则的复杂性，实现了自动化的方案设计。
技术框架：FunSearch方法包含以下主要模块：1) 大语言模型：负责生成候选的机组组合方案（以代码形式）；2) 评估器：评估生成的方案的性能（例如，总运行成本）；3) 进化机制：根据评估结果，选择优秀的方案并对其进行变异，生成新的候选方案；4) 函数库：存储和管理已生成的方案，并用于指导后续的方案生成。整个流程通过迭代搜索，不断优化机组组合方案。
关键创新：最重要的技术创新点在于将大语言模型引入到机组组合问题的求解中，实现了自动化的启发式规则设计。与传统的启发式算法相比，FunSearch能够自动探索更广阔的解空间，发现更优的解决方案。此外，通过函数库的维护和利用，可以有效地避免重复搜索，提高搜索效率。
关键设计：论文中，大语言模型采用预训练模型，并通过少量样本进行微调，以适应机组组合问题的特定需求。评估器根据电力系统的运行约束和成本函数，对生成的方案进行评估。进化机制采用遗传算法中的选择、交叉和变异等操作，以保证搜索的多样性和有效性。具体的参数设置（如变异率、交叉率等）需要根据实际问题进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在包含10个机组的机组组合案例中，FunSearch方法在采样时间、评估时间和系统总运行成本方面均优于遗传算法。具体来说，FunSearch能够更快地找到更低成本的机组组合方案，证明了其在解决机组组合问题方面的有效性和潜力。虽然文中没有给出具体的数值提升比例，但结论明确表明FunSearch优于遗传算法。
🎯 应用场景
该研究成果可应用于电力系统的优化调度，帮助电力公司制定更经济、更可靠的机组组合方案，降低发电成本，提高能源利用效率。此外，该方法还可以推广到其他组合优化问题，如车辆路径问题、资源分配问题等，具有广泛的应用前景和实际价值。未来，可以进一步研究如何将该方法应用于更大规模、更复杂的电力系统，并探索与其他优化算法的结合。
📄 摘要（原文）
The Unit Commitment (UC) problem is a classic challenge in the optimal scheduling of power systems. Years of research and practice have shown that formulating reasonable unit commitment plans can significantly improve the economic efficiency of power systems' operations. In recent years, with the introduction of technologies such as machine learning and the Lagrangian relaxation method, the solution methods for the UC problem have become increasingly diversified, but still face challenges in terms of accuracy and robustness. This paper proposes a Function Space Search (FunSearch) method based on large language models. This method combines pre-trained large language models and evaluators to creatively generate solutions through the program search and evolution process while ensuring their rationality. In simulation experiments, a case of unit commitment with (10) units is used mainly. Compared to the genetic algorithm, the results show that FunSearch performs better in terms of sampling time, evaluation time, and total operating cost of the system, demonstrating its great potential as an effective tool for solving the UC problem.