2025-NIPS-Structure-Aware Cooperative Ensemble Evolutionary Optimization on Combinatorial Problems

一、文章主要内容总结

该研究聚焦于图结构组合优化问题（如影响力最大化、网络拆解、旅行商问题等），提出了一种融合多模态大语言模型（MLLMs）、图稀疏化、协同进化优化和集成策略的结构感知进化优化框架。核心思路是解决传统进化算法（EAs）编码方案缺乏结构感知、MLLMs对大规模网络可视化杂乱和布局敏感的问题，具体内容包括：

1. 问题背景：图结构组合优化问题（NP难）依赖进化算法探索解空间，但传统编码（二进制、数值型）忽略网络结构上下文；MLLMs虽能处理多模态信息，但大规模网络可视化杂乱、单一稀疏化视图存在偏差、对网络布局敏感，影响优化效果。

2. 核心技术方案：

   • 图稀疏化：采用基于度的稀疏化和基于社区的稀疏化两种启发式方法，在保留关键拓扑特征的同时简化网络，避免可视化杂乱；
   • 协同进化优化：设计主从（master-worker）架构，通过跨域映射机制实现不同稀疏化网络间的知识迁移，缓解单一稀疏化视图的偏差；
   • 集成策略：融合多种网络布局（Kamada-Kawai、Fruchterman-Reingold、GraphOpt），通过共识投票聚合MLLMs输出，降低布局敏感带来的影响；
   • 图像化编码：将网络结构与候选解整合为可视化图像，相比文本编码减少Token消耗、降低推理难度，让MLLMs直接感知结构关联。