本研究提出了一种新型终身学习范式LiBOG，旨在解决现有Meta黑箱优化方法在动态问题分布下无法持续学习的挑战。LiBOG通过不断学习新问题，提高黑箱优化器的生成能力，避免灾难性遗忘，确保在学习新任务时的灵活性。

本研究解决了动态问题建模中的灵活性和整合性不足，扩展了答案集编程（ASP），并整合了动态、时间和度量逻辑，提升了其在工业环境中的应用潜力。