arXiv cs.AI· Zhuoliang Xie, Changliang Zhou, Genghui Li, Zhenkun Wang·· 9 天前AI 评分27
MECo：基于 LLM 的多任务进化框架实现零样本跨问题泛化
Multi-Task Evolution for Zero-Shot Cross-Problem Generalization using LLMs
AI 导读
研究者提出 MECo，一个由 LLM 驱动的多任务进化框架，用于零样本跨问题泛化。MECo 维护按任务区分的启发式种群，用基于跨任务种群表现的迁移差距引导种群交互，实现启发式的迁移与重组，并通过奖励各成员对源任务组合的额外覆盖来构建紧凑启发式集合，直接应用于目标问题而无需额外搜索或适配。
正文 · AI 翻译
摘要：为多样化的组合优化问题设计有效的启发式方法需要大量专业知识和反复搜索。大语言模型（LLM）可自动生成和优化启发式方法，但启发式搜索通常依赖于被优化问题给出的评估反馈。因此，仅使用源任务反馈来泛化到新的问题定义仍是一项核心挑战。我们提出 MECo，一种由 LLM 驱动的多任务进化框架，用于零样本跨问题泛化。MECo 维护以任务为条件的启发式种群，并使用基于跨任务种群性能的迁移差距来指导它们之间的交互。这些交互实现了启发式方法的迁移与重组。随后，一种互补的选择准则通过奖励每个成员对源组合的额外覆盖，构建出一个紧凑的启发式集合。所选集合被应用于目标任务，无需进一步搜索或适应。在车辆路径问题（VRP）和柔性作业车间调度问题（FJSP）的 32 个问题变体上的实验表明，在相同预算下，与八个自动启发式设计（AHD）基线相比，MECo 取得了最低的平均成本。在域外问题上，它在每个问题族中都优于最强的基线。此外，将 MECo 框架与不同的 AHD 方法集成，可提升它们在这两个问题族中的 ID 和 OOD 性能，支持其在不同方法上的有效性。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.03316 [cs.AI] |
| （或 arXiv:2610.03316v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.03316 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Xie Zhuoliang [查看电子邮件]
[v1]
2026 年 10 月 2 日星期五 13:53:34 UTC（338 KB）
[v2]
2026 年 10 月 8 日星期四 14:01:07 UTC（338 KB）
来源：arXiv cs.AI · arxiv.org