本研究探讨了大型语言模型（LLMs）在优化算法中的应用，提出了创新的启发式变体。结果表明，GPT-4o的替代启发式在复杂图上的表现优于传统CMSA，显示了LLMs在优化领域的潜力。

该研究提出了一种名为DCSAT的统一框架，用于解决不同类型的布尔可满足性问题。该方法结合了整数规划和强化学习算法，并应用了蒙特卡罗树搜索方法。实验证明，该方法能够找到最优的布尔赋值，并提供多样的标签。