在组合优化领域，大型语言模型（LLMs）与进化计算的结合已成为一种强大的自动启发式设计范式。然而，现有方法往往遭遇模式崩溃，导致收敛于缺乏语义多样性的同质群体，未能充分探索算法空间。我们提出了质量多样性进化（QDEvo），这是一个多目标框架，将质量多样性优化与基于LLM的启发式搜索结合，维护一个无限的语义多样性算法档案，使用预训练代码嵌入，并结合层次自我反思来指导进化过程。
在标准基准和现实工业应用中的广泛实验表明，QDEvo在超体积和倒置世代距离指标上显著优于最先进的方法。我们的框架使得发现高性能、计算高效且语义多样的启发式算法成为可能，为实践者提供了丰富的解决方案组合，帮助解决复杂的优化问题。
博主点评： QDEvo通过引入质量多样性优化有效克服了传统方法的局限，展现了在复杂优化问题中的广泛应用潜力，值得深入研究与实践推广。其对算法的语义理解与群体多样性的保持，可能会引领未来启发式设计的新方向。