自主导航(autonomous navigation)通常需要同时优化多个目标。现有方法主要采用加权和(weighted sum)将多目标标量化(scalarize)为单一成本函数，但这种方法无法找到所有可能的权衡方案，可能遗漏关键解。加权最大值(weighted maximum)方法虽然能找到所有帕累托最优(Pareto-optimal)解，包括加权和方法无法找到的非凸(non-convex)区域解，但其在离散域(discrete domain)中的计算复杂度(computational complexity)过高，限制了实际应用。
论文提出了一种基于大邻域搜索(Large Neighbourhood Search, LNS)框架的新搜索算法。该方法专门设计用于高效解决加权最大值规划(weighted maximum planning)问题，通过迭代地破坏和修复解的部分来探索解空间(solution space)。
核心创新在于将大邻域搜索(LNS)框架创造性地应用于解决加权最大值(weighted maximum)多目标规划问题，以应对其固有的高计算复杂度挑战。与现有加权最大值规划器相比，该算法在保持解质量(solution quality)相当的前提下，实现了1-2个数量级的运行时(runtime)提升，从而首次使该方法在自主导航等实际应用中变得可行。
论文的整体贡献是提出了一种高效、实用的算法，显著降低了加权最大值多目标规划的计算成本，使其从理论可行变为实际可用。这为自主导航等领域提供了更强大的工具，能够找到更全面的帕累托最优解集，包括非凸区域的解，从而支持更优的决策。