MobEvolve：一种用于可解释的人类移动性生成的代理自我进化启发式系统

人类流动生成旨在根据个体特征为目标人群合成现实的出行链。现有的范式，包括深度生成模型、基于 LLM 的方法和传统启发式方法，都难以满足该任务的复杂需求，同时保持可解释性、行为合理性、群体水平分布对齐和推理效率。为了弥补这一差距，我们引入了 MobEvolve，这是第一个用于人类移动生成的代理自我进化启发式框架。 MobEvolve 初始化一个受行为启发的启发式系统，并采用 LLM 代理来迭代演化其内部逻辑。通过诊断验证集上的经验偏差和失败案例，代理提出有针对性的更新并积累进化记忆以实现累积的自我改进。对新加坡和蒙特利尔基准的广泛评估表明，MobEvolve 在个体轨迹保真度、群体水平分布对齐和行为合理性方面显着优于最先进的深度生成和基于 LLM 的方法，同时保持可解释性和高推理效率。