论文
MECo：LLM多任务进化的零样本跨问题泛化
Multi-Task Evolution for Zero-Shot Cross-Problem Generalization using LLMs
摘要
为多样组合优化问题设计有效启发式需要大量专业知识与反复搜索。大语言模型自动化启发式生成与精化，但启发式搜索通常依赖被优化问题的评估反馈；仅用源任务反馈泛化到新问题定义因此仍是中心挑战。我们提出MECo——LLM驱动的多任务进化框架，实现零样本跨问题泛化：MECo维护任务条件化的启发式种群，用基于跨任务种群性能的迁移缺口引导其交互，这些交互实现启发式的转移与重组；互补的选择标准通过奖励每个成员对源组合的额外覆盖构建紧凑启发式集。所选集合应用于目标问题而无需进一步搜索或适配。在车辆路径（VRP）与柔性作业车间调度（FJSP）的32个问题变体上实验：相同预算下MECo相较八个自动启发式设计（AHD）基线取得最低均值成本；在域外问题上超越各族最强基线；把MECo框架与不同AHD方法整合还改善两者的域内与域外性能，支持其跨方法有效性。