LLM-assisted Evolutionary Search Algorithm Design Dynamic Clustering Tail Robustness
摘要

大型语言模型辅助的进化搜索(LES)已成为自动化算法设计的强大范式。然而,现有方法主要优化平均性能,导致对尾部实例鲁棒性不足。为此,我们提出了动态实例聚类与专用算法设计(DyCA)框架。该框架利用无特征、结构感知的机制,将实例聚类作为搜索过程中的协同进化组件,复用评估数据以划分具有相似响应模式的实例簇。这将混合目标分解为结构感知的子目标,从而实现更细粒度的专用算法设计。实验表明,DyCA在四项任务中优于基线,尾部鲁棒性提升15.2%。

AI 推荐理由

论文核心聚焦于LLM辅助的进化搜索(LES)框架,旨在优化算法设计过程中的自适应与改进机制。

研究机构
香港城市大学计算机科学系,中国香港 华为诺亚方舟实验室,中国
论文信息
作者 Qinglong Hu, Qingfu Zhang, Fei Liu, Xialiang Tong, Kun Mao et al.
发布日期 2026-08-04
arXiv ID 2608.03129
相关性评分 9/10 (高度相关)