Evolutionary thoughts: integration of large language models and evolutionary algorithms

文章主要内容总结

本文提出将大型语言模型（LLMs）与进化算法（EAs）结合，以解决复杂问题中的优化和函数合成任务。研究设计了四个难度递增的任务（计数、最大-最小值、逆序、排序），要求算法通过输入-输出对推断映射函数。通过以下核心方法实现目标：

1. LLM引导的进化搜索：利用LLM生成初始种群个体和优化变异操作，减少搜索空间的随机性，提升候选解的质量。
2. 高效评估框架：开发基于C++和CUDA的快速评估系统，支持多核CPU和GPU加速，解决大规模种群评估的计算瓶颈。
3. 实验验证：在不同种群规模下对比纯EA和LLM+EA的性能，结果表明LLM辅助显著提升了测试准确率，缩短了函数长度，尤其在逆序和排序等复杂任务中效果显著。

文章创新点

1. 混合优化框架：首次将LLM的语义理解能力与EA的搜索能力结合，提出LLM引导的进化策略，优化初始种群生成和变异过程。
2. 高效计算实现：设计了兼容现有原语的快速评估框架，通过优化个体表示和底层计算策略（如CUDA加速），将大规模种群的适应度评估效率提升数个数量级。
3. 任务泛化能力：在抽象推理任务（如列表逆序和排序）中验证了方法的有效性，展示了LLM在减少搜索空间复杂度和提升解的泛化能力方面的潜力。

英文摘要、引言、结论的翻译