REMoH：通过大型语言模型实现反射演化的多目标启发式方法

多目标优化是复杂决策任务中的基本问题。传统算法虽然有效，但往往需要大量的特定建模且难以适应非线性结构。近期大型语言模型（LLMs）的进展提供了更好的可解释性、适应性与推理能力。本工作提出反射式多目标启发式演化（REMoH），一种新型框架将 NSGA-II 与 LLM 基于启发式的生成集成。其关键创新是一种反射机制，该机制使用聚类和搜索空间反射来指导创建多样且高质量的启发式，从而提高收敛性并保持解的多样性。该方法在灵活车间调度问题（FJSSP）上进行深入基准测试，分别使用 Dauzere、Barnes 与 Brandimarte 三个数据集。结果表明，REMoH 以较少的建模 effort 实现了与最先进方法相当的成绩，并展现了更好的适应性。这些发现凸显了 LLM 增强传统优化的潜力，为多目标情景提供了更大的灵活性、可解释性与鲁棒性。