文章核心总结与翻译一、主要内容本文针对黑盒优化在机器人设计中采样效率低、需大量迭代的问题，提出一种结合多目标黑盒优化（BBO）与大型语言模型（LLMs）采样的机器人设计优化方法。研究背景：机器人设计多样性日益增加，模块化机器人可根据任务调整结构，但现有优化方法（如遗传算法、穷举搜索等）中，黑盒优化虽适用于复杂场景（含连续/离散变量、多目标优化），却存在采样效率低的缺陷；LLMs虽能基于语言指令生成设计方案，但难以微调细节参数。方法设计：并行执行黑盒优化采样与LLM采样，LLM通过上下文学习，结合问题设定、先验知识和设计示例输出候选方案。优化目标为最小化末端执行器位置误差（E p o s E^{pos}E