基于大型语言模型的手术安排
Fang Wan1, Tao Wang1, Kezhi Wang2
1INSA LYON, Université Lyon2, Université Claude Bernard Lyon1, Université Jean Monnet Saint-Etienne, DISP UR4570, France.
Artificial intelligence in medicine
|May 11, 2025
概括
大型语言模型 (LLM) 通过作为进化优化器来增强手术安排. LLM-NSGA显著改善解决方案和优化参数,优于传统方法.
科学领域:
- 人工智能的人工智能
- 运营研究 运营研究
- 计算优化计算优化
背景情况:
- 传统的多目标优化算法 (例如,NSGA-II) 通常需要领域专业知识来设计操作员.
- 大型语言模型 (LLM) 显示了各种领域的潜力,包括复杂的问题解决.
研究的目的:
- 探索LLM在解决多目标组合优化问题的应用,特别是手术安排.
- 引入LLM-NSGA,这是一个新的方法,LLMs作为进化优化器.
主要方法:
- 在一个进化框架 (LLM-NSGA) 中,LLM被用来执行选择,交叉和突变操作.
- 与传统算法 (NSGA-II,MOEA/D) 和另一种基于LLM的方法 (EoH) 进行了LLM-NSGA的比较.
- 此外,LLM也被用于超参数优化,与贝叶斯优化和殖民地优化 (ACO) 相比.
主要成果:
- 在40个案例中,LLM-NSGA独立于提示生成了高质量的解决方案.
- 随着问题规模的增加,LLM-NSGA表现优于NSGA-II和MOEA/D,三个目标的平均改善率为5.39%,80%和0.42%.
- 当LLM与NSGA-II.II进行验证时,LLM将超参数优化运行时间减少了23.68%,并产生了改善手术调度解决方案的参数.
结论:
- 在复杂的问题上,LLM可以有效地作为进化优化器,例如手术安排.
- LLM-NSGA为传统方法提供了一个有前途的替代方案,可以实现更好的结果并改善资源配置.
- 简单的LLM有效地优化算法参数,提高现有优化技术的性能.
