大型语言模型辅助的多目标进化算法：一种低成本的适应性方法

《ACM Transactions on Evolutionary Learning and Optimization》：Large Language Model Aided Multi-objective Evolutionary Algorithm: A Low-cost Adaptive Approach

多目标优化中，传统MOEAs（如NSGA-II）存在收敛速度慢、手动调参复杂问题。本研究提出融合LLM的新框架，通过自适应机制动态调整LLM的提示构造与评估函数增强搜索能力，同时混合机制降低token成本21.5%。实验显示该框架在IGD指标上优于NSGA-II 21.5%，HV提升15.3%，验证了LLM在MOEA设计中的潜力。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

多目标优化在实际应用中是一个常见的问题，多目标进化算法（MOEAs）被认为是解决这些问题的有效方法之一。然而，它们的随机性有时会阻碍算法快速收敛到全局最优解，而且其遗传操作符的设计通常需要复杂的手动调整。为了克服这一挑战，本研究提出了一个新框架，该框架将大型语言模型（LLM）与传统的MOEAs相结合，以提高算法的搜索能力和泛化性能。在我们的框架中，我们采用了自适应和混合机制将LLM与MOEA集成起来，从而加速算法的收敛速度。具体来说，我们利用自适应机制中的增强评估函数和自动化提示构建来灵活调整LLM的利用方式，生成高质量的解决方案，并通过遗传操作符对其进行进一步优化。同时，混合机制旨在尽可能降低提示成本。通过采用这种方法，我们最大限度地发挥了LLM的语言理解和生成能力，为MOEA提供了更智能、更高效的搜索策略。我们在多个多目标优化基准问题上进行了实验。实验结果表明，与NSGA-II相比，该框架将平均逆生成距离（IGD）降低了21.5%，超体积（HV）提高了15.3%，并通过自适应机制将令牌成本降低了21.5%。这些实验发现揭示了LLM在MOEAs设计中的潜在优势。有关具体的实现代码，请参阅https://github.com/Luna888666/NSGAIILLM。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现相关内容、帮助读者评估文章的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍然是论文的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。