CoupleEvo：利用大语言模型进化耦合优化问题的启发式算法

许多现实世界的优化问题包含多个紧密耦合的子问题，需协调求解以实现整体高性能。然而，现有大语言模型驱动的自动启发式设计方法仅限于单问题场景。本文提出 CoupleEvo，通过三种进化协调策略（顺序、迭代、集成）来进化耦合问题的启发式算法。实验表明，基于分解的策略（顺序和迭代）具有更稳定的收敛性和更高的解质量，而集成策略因搜索复杂度增加表现较差。研究突显了协调相互依赖子问题进化搜索的重要性，展示了 LLM 在复杂耦合优化中的潜力。