立项原因：在线 Bin Packing 是物流、仓储、制造业中的经典 NP-hard 组合优化问题，传统启发式（First Fit / Best Fit）依赖人工经验，难以进一步优化。FunSearch 作为 LLM 程序搜索新范式，本项目通过 Thoughts-Augmented 机制进一步提升其搜索效率与可解释性。
行业场景：人工智能 + 运筹优化交叉领域，广泛应用于电商物流、智能仓储、集装箱装载、云资源调度等业务背景，能显著降低包装/运输成本，提升自动化水平，具有较强的理论创新与实际应用价值。
本项目是对 Google DeepMind FunSearch 框架的增强实现，通过引导 LLM 同时输出“Thoughts（设计思路）”和可执行代码，大幅提升在线 Bin Packing（二进制装箱）问题启发式算法的搜索效率与可解释性。
具体功能模块：
BinPackingEvaluator：集成 Weibull 分布合成数据集和 OR-Library 真实数据集加载、在线装箱模拟及评分（得分 = 1/平均使用箱数）。
ThoughtsAugmentedSampler & OriginalFunSearchSampler：分别实现标准代码生成与创新的“Thoughts + Code”双输出模式。
ComparisonBench：自动对比人类专家（First Fit、Best Fit）、原始 FunSearch 及本方法的性能，并生成柱状图可视化。
OpenAI GPT-4 LLM 适配器与 FunSearch 框架深度集成。
主要功能：通过进化搜索自动发现更优的 next_item(item, bins, capacity) 启发式策略，在相同迭代次数下显著优于 Baseline，兼具创新性和可解释性。
我负责项目的完整设计、代码实现与实验验证。主要任务包括：
自定义 BinPackingEvaluator 和数据集加载逻辑；
开发 ThoughtsAugmentedSampler，实现 Thoughts 解析、注入（将设计思路保存为函数内 __thoughts__ 变量）；
适配 FunSearch 的 ProgramsDatabase 和 code_manipulation 模块；
实现性能对比可视化（Matplotlib 柱状图）。
技术栈：Python + Jupyter Notebook、FunSearch 官方框架、OpenAI GPT-4 API、NumPy、Matplotlib、正则表达式。
亮点：Thoughts 增强机制有效提升 LLM 生成策略的创新性，最终在 Weibull 数据集上超越 Original FunSearch 和 Best Fit。
难点：LLM 输出结构化解析、代码安全执行、与框架 AST 兼容性处理。
评论