ParetoChat: An LLM-Based Interface for Interactive Multi-Objective Optimization

📄 arXiv: 2610.23062v1 📥 PDF

作者: Gokhan Ceyhan

分类: cs.CL, math.OC

发布日期: 2026-10-16

💡 一句话要点

提出ParetoChat以解决多目标优化中的用户交互问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多目标优化 自然语言处理 交互式优化 大型语言模型 决策支持系统

📋 核心要点

  1. 现有的多目标优化方法在将定性偏好转化为数值参数时存在困难，影响决策效率。
  2. 论文提出的ParetoChat通过自然语言处理将用户输入转化为优化所需的结构化参数，增强了用户交互体验。
  3. 实验结果表明，ParetoChat在多目标二进制背包和集合划分实例中表现优异，能够有效引导决策者找到符合其偏好的解决方案。

📝 摘要（中文）

多目标优化模型通常需要决策者在冲突标准之间进行平衡。然而，利益相关者在将定性偏好转化为优化方法所需的数值权重、优先级或参考点时，常常面临困难。本文提出了ParetoChat，一个基于大型语言模型（LLM）的专家代理接口，用于交互式多目标优化。该代理将自然语言用户输入转换为结构化的标量化参数，调用优化系统，展示候选解决方案，并迭代地征求反馈。我们描述了一种多代理架构，分离了输入处理、多标准决策（MCDM）专业知识、解决方案呈现和反馈处理。通过与DESDEO中的交互方法进行基准测试，实验表明ParetoChat能够有效引导搜索，匹配决策者的偏好。

🔬 方法详解

问题定义：本论文旨在解决多目标优化中用户与优化工具之间的交互问题。现有方法往往需要用户将定性偏好转化为数值形式，导致用户体验不佳和决策效率低下。

核心思路：ParetoChat通过大型语言模型（LLM）将自然语言输入转化为结构化的标量化参数，简化了用户与优化系统的交互过程。这样的设计使得用户能够更直观地表达其偏好，而无需深入了解优化算法的细节。

技术框架：ParetoChat的整体架构包括输入处理模块、MCDM专业知识模块、解决方案呈现模块和反馈处理模块。用户通过自然语言输入偏好，系统将其转化为优化参数，调用优化算法生成候选解决方案，并根据用户反馈进行迭代优化。

关键创新：最重要的创新在于将LLM与多目标优化结合，形成了一个交互式的优化代理，显著提升了用户体验和决策效率。这种方法与传统的优化工具相比，减少了用户对数值参数的依赖。

关键设计：在设计中，系统采用了多代理架构，确保各模块之间的高效协作。输入处理模块负责解析用户的自然语言请求，MCDM模块则利用专家知识进行决策分析，解决方案呈现模块展示候选方案，反馈处理模块则收集用户反馈以优化后续迭代。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，ParetoChat在多目标二进制背包和集合划分实例中表现优异，相较于DESDEO中的传统交互方法，能够更有效地引导搜索，提升决策者找到符合偏好的解决方案的效率。

🎯 应用场景

ParetoChat的潜在应用领域包括供应链管理、资源分配、项目选择等多目标决策场景。其通过自然语言交互的方式，降低了用户的使用门槛，使得非专业用户也能参与复杂的优化过程，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Multi-objective optimization models are often deployed in settings where decision makers (DMs) must balance some conflicting criteria. In practice, however, stakeholders must translate their qualitative preferences between different criteria into numerical weights, priorities, or reference points required by optimization methods, which can be difficult to specify and interpret. This paper proposes \emph{ParetoChat}, an LLM (large language model)-based expert-agent interface for interactive multi-objective optimization. The agent translates natural-language user input into structured scalarization parameters, invokes an optimization system, presents candidate solutions, and iteratively elicits feedback. We describe a multi-agent architecture that separates input processing, multi-criteria decision-making (MCDM) expertise, solution presentation, and feedback processing. We then present a simulation study using an LLM-based DM agent and benchmark ParetoChat against interactive methods implemented in DESDEO, including reference-point and NIMBUS methods. The computational experiments on multi-objective binary knapsack and set-partitioning instances show that ParetoChat can guide the search efficiently toward solutions that match the DM's preferences. An application to historical courier-order assignment instances illustrates how users can explore objective extremes and intermediate trade-offs through natural-language requests. The results indicate that LLM agents may provide a practical interaction layer between business stakeholders and optimization tools.