面向双组件耦合组合优化的LLM驱动协同进化自动启发式设计

尽管大型语言模型（LLM）近来在自动启发式设计（AHD）中展现出前景，现有方法通常将启发式作为单一算子或搜索策略来生成和进化，这限制了它们对诸如旅行窃贼问题（TTP）和旅行购买者问题（TPP）等难题中多个决策子结构之间强耦合关系的建模能力。在这项工作中，我们提出CoEvo-AHD，一个由LLM驱动的双种群协同进化框架，用于耦合组合优化中的自动启发式设计。与以往孤立进化单个启发式的方法不同，CoEvo-AHD利用LLM协同进化两个密切相关的算子种群。合作评估机制显式捕捉路径算子与选择算子之间的交互，而成对评分和协同联合交叉则有助于发现互补的算子逻辑，从而在耦合决策子空间内实现联合改进。我们进一步设计了一个工具调用环境库，将局部搜索增量计算等常用核心操作封装为可调用函数，使LLM生成的算子能够使用标准化接口，而不必重新实现低效且易错的问题特定循环。在TTP和TPP上的实验表明，CoEvo-AHD能自动发现协作式启发式组合，并取得相较传统启发式具有竞争力的解质量。