Autonomous Multi-Objective Optimization Using Large Language Model

多目标优化问题（MOPs）在现实世界的应用中普遍存在，它们需要平衡多个冲突的目标，具有复杂的挑战。传统的进化算法（EAs）虽然有效，但常常依赖领域专业知识和迭代微调，限制了对未知MOPs的适应能力。近年来，大型语言模型（LLMs）的出现通过实现程序的自主生成和改进而彻底改变了软件工程。基于这一突破，我们提出了一个新的基于LLM的框架，用于自主设计EA算子以解决MOPs。所提出的框架包括一个强大的测试模块，通过与LLMs的错误驱动对话来完善生成的EA算子，以及动态选择策略、基于信息提示的交叉和变异来适应文本优化流程。我们的方法促进了EA算子的设计，减少了对专家干预的需求，从而加速了EA算子的创新。在各种MOP类别的实证研究中，验证了我们提出的框架的稳健性和卓越性能。

提出一种基于大型语言模型的框架，用于自主设计用于解决多目标优化问题的进化算法操作符。

利用大型语言模型自动生成和完善进化算法操作符，无需领域专家干预，加速进化算法操作符的创新。

框架包括一个强大的测试模块，通过与大型语言模型的错误驱动对话来完善生成的进化算法操作符，以及动态选择策略和基于提示的交叉和变异来适应文本优化流程。实验结果表明，该框架具有鲁棒性和卓越的性能。

最近的相关研究包括：《基于深度学习的多目标优化算法综述》、《使用深度学习进行多目标优化的研究进展》等。