reevo

让大模型自动进化出高效启发式规则，解决优化难题

ReEvo 是一个基于大语言模型的超启发式算法（Hyper-Heuristics）框架，发表于 NeurIPS 2024。它旨在解决传统启发式算法设计依赖专家知识、泛化能力弱的问题，通过将大语言模型与进化计算结合，实现自动化、可迁移的启发式规则生成。其核心能力包括：利用反射机制（Reflection）让 LLM 从历史搜索中学习并改进生成策略；通过进化搜索（Evolution）在解空间中迭代优化启发式规则；支持面向组合优化、调度、路由等问题的规则自动发现。ReEvo 提供简洁的 Python 接口，用户可自定义问题域和适应度函数，快速集成到现有优化流程中。项目代码开源，包含示例和文档，便于研究者复现和扩展。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 302

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队ai4co

所属国家

官网地址https://ai4co.github.io/reevo

GitHubhttps://github.com/ai4co/reevo

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ant-colony-optimization,automatic-algorithm-generation,bin-packing-problem,electronic-design-automation,evolutionary-algorithms,genetic-algorithm,hyper-heuristics,large-language-models,llm-agent,multiple-knapsack-problem,neural-combinatorial-optimization,orienteering-problem,reinforcement-learning,traveling-salesman-problem,vehicle-routing-problem

GitHub 星标★ 302

30天Star增速

HF 下载量

上线时间2023-11-20 00:00:00

最近更新2026-09-24 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数0

使用教程

核心亮点

将 LLM 与进化计算结合，实现启发式规则的自动化设计，减少人工调参
反射机制能利用历史搜索反馈持续优化生成策略，提升搜索效率
提供多种问题域示例（如旅行商、调度），开箱即用，便于快速上手

不足之处

依赖大模型 API，推理成本较高，大规模搜索时开销明显
文档和社区生态尚不完善，教程和案例较少

适用场景

组合优化问题（如 TSP、VRP）的启发式规则自动生成
生产调度、资源分配等运筹优化场景的算法设计
学术研究中探索 LLM 驱动的自动算法设计

替代项目

EvoPrompt、FunSearch、ADAS

项目介绍

reevo 是模型训练领域的开源项目，由 ai4co 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 298。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-16。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：组合优化问题（如TSP、VRP）的启发式规则自动生成。同类可对比的替代方案包括 EvoPrompt、FunSearch、ADAS。

上一篇：RLP

下一篇：MoA