HMACE：面向组合优化的异构多智能体协同进化

大语言模型最近已成为 NP 难组合优化问题的自动启发式设计的有前途的范例。尽管取得了这些进展，现有的基于LLM的方法通常依赖于受严格模板约束的整体工作流程，从而限制了记忆引导的探索并触发过早收敛到局部最优。为了设计一个自主协作的架构，我们引入了 HMACE，这是一种异构多智能体协作进化框架，它将启发式搜索重新概念化为组织设计问题。 HMACE 将每个进化代分解为一个自治的、角色专门化的循环，具有四个协调代理：用于策略探索的提议者、用于可执行启发式综合的生成器、用于经验评估的评估器和用于存档支持的内存更新的反射器。通过耦合行为感知检索、轻量级候选过滤和基于适应性的档案更新，HMACE 引导搜索走向多样化且有前途的启发式行为，同时避免冗余评估。对代表性 COP（包括 TSP、Online BPP、MKP 和 PFSP）的广泛评估表明，与最先进的单智能体和多智能体基线相比，HMACE 实现了有利的质量效率权衡。在匹配的 LLM 驱动的参考比较中，HMACE 在 TSP 和 Online BPP 上实现了最低的平均差距（分别为 0.464\% 和 0.223\%），而这两项任务仅需要 0.13M 和 0.42M 令牌，大大少于比较的基线。