arXiv cs.CL· Gokhan Ceyhan·· 11 小时前AI 评分27
ParetoChat：基于 LLM 的交互式多目标优化界面
ParetoChat: An LLM-Based Interface for Interactive Multi-Objective Optimization
AI 导读
ParetoChat 是一个基于 LLM 的专家智能体界面，可将用户自然语言输入转换为结构化标量化参数，调用优化系统并迭代收集反馈。其多智能体架构分离输入处理、MCDM 专业知识、方案展示与反馈处理，在多目标二进制背包和集合划分实例上对比 DESDEO 中的参考点与 NIMBUS 方法，能高效引导搜索至符合决策者偏好的解。
正文 · AI 翻译
摘要：多目标优化模型常常被部署在决策者（DM）必须在若干相互冲突的准则之间进行权衡的场景中。然而在实践中，利益相关者必须将他们对不同准则的定性偏好转化为优化方法所需的数值权重、优先级或参考点，而这些参数往往难以指定和解释。本文提出 \emph{ParetoChat}，一种基于 LLM（大语言模型）的专家代理接口，用于交互式多目标优化。该代理将用户的自然语言输入转化为结构化的标量化参数，调用优化系统，呈现候选解，并迭代地获取反馈。我们描述了一种多代理架构，将输入处理、多准则决策（MCDM）专业知识、解呈现和反馈处理分离开来。随后，我们使用基于 LLM 的 DM 代理进行了一项仿真研究，并将 ParetoChat 与 DESDEO 中实现的交互式方法（包括参考点法和 NIMBUS 法）进行了基准比较。在多目标二元背包和集合划分实例上的计算实验表明，ParetoChat 能够高效地引导搜索朝向符合 DM 偏好的解。将其应用于历史快递订单分配实例，展示了用户如何通过自然语言请求探索目标极值和中间权衡。结果表明，LLM 代理可以为业务利益相关者和优化工具之间提供一个实用的交互层。
| 主题： | 计算与语言（cs.CL）；优化与控制（math.OC） |
| 引用为： | arXiv:2610.23062 [cs.CL] |
| （或 arXiv:2610.23062v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23062 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gokhan Ceyhan [查看电子邮件]
[v1]
2026年10月16日星期五 07:39:39 UTC（1,337 KB）
来源：arXiv cs.CL · arxiv.org