2026年EAAI SCI1区TOP，基于LLM驱动的多群粒子群算法动态通信策略生成方法，深度解析+性能实测

1.摘要

针对传统多群粒子群算法（MSO）依赖预定义通信策略、难以适应不同优化阶段和问题特性的不足，本文提出一种由大型语言模型（LLM）驱动的动态通信策略生成框架 L2D-MSO，该方法通过构建包含群体状态信息的自然语言提示，利用大语言模型进行实时推理，动态生成群体间通信策略，从而提升信息交互效率并加速收敛。同时引入自适应温度机制，根据优化进程调节扰动强度，以增强策略在不同阶段的适应性。

2.LLM

大型语言模型 (LLMs) 基于 Transformer 架构并通过大规模语料训练，具备强大的自然语言理解与上下文推理能力。LLM 的基本形式可表示为：

L L M θ : Q → A LLM_\theta:\mathcal{Q}\to\mathcal{A} LLMθ:Q→A

其中， Q \mathcal{Q} Q表示输入的自然语言提示 (prompt)， A \mathcal{A} A表示模型生成的推理或决策结果。

在预训练阶段，模型通过最大化下一 token 的预测概率进行优化：

max ⁡ θ ∑ t = 1 T log ⁡ p θ ( w t ∣ w < t ) \max_{\theta} \sum_{t=1}^{T} \log p_{\theta}(w_t \mid w_{< t}) θmaxt=1∑Tlogpθ(wt∣w<t)

在预训练完成后，LLMs 可通过 few-shot prompting、指令微调或基于人类反馈的强化学习 (RLHF) 适配不同任务。凭借其上下文理解与推理能力，LLMs 可以被集成到优化算法中，尤其是在群体智能算法中充当决策者，通过感知群体状态和任务环境动态生成策略，从而提升多群体之间的协调能力与整体优化性能。

3.算法

传统 MSO 依赖固定通信策略，难以适应优化过程中群体状态的动态变化，容易导致信息交换低效并陷入局部最优。为此，本文提出 L2D-MSO 框架，利用大型语言模型根据群体状态动态生成子群通信策略。通过将群体改进、停滞和多样性等信息编码为自然语言提示并输入 LLM 进行推理，同时引入自适应温度机制提升策略阶段适应性。生成的策略用于子群间粒子交换，从而实现动态协作，提升整体优化性能。

基于Prompt驱动LLM推理的动态通信策略生成

为克服传统 MSO 依赖固定通信策略的局限，本文提出一种基于 Prompt 的 LLM 推理动态通信策略生成方法，该方法将群体状态信息（如改进程度、停滞程度和多样性）转化为语义信息，并构建结构化自然语言提示，使 LLM 能够进行实时推理并生成适应当前优化阶段的通信策略。

Prompt 结构包含：

Problem Definition，描述多群优化环境、通信策略类型及其约束条件，为 LLM 提供任务背景与语义边界。
Example Design，给出群体状态输入格式（Swarm Status）和策略输出格式（JSON 结构），以减少语义歧义并提升策略生成的一致性与可执行性。
Task Description，明确任务目标与输出规范，要求 LLM 根据当前群体状态生成符合 JSON 格式的通信策略列表，以指导子群间的信息交换与协同优化。

L2D-MSO 的自适应温度机制

虽然 LLM 能根据群体状态生成通信策略，但缺乏温度调节机制，难以在不同优化阶段平衡探索与开发。为此，本文提出自适应温度机制，通过调节温度参数 Θ ( t ) \Theta(t) Θ(t) 控制策略生成的概率分布，使 LLM 在优化过程中动态调整通信策略偏好。

温度 Θ ( t ) \Theta(t) Θ(t) 由优化进度与全局漂移率共同决定：
Θ ( t ) = 0.1 + 0.9 1 + exp ⁡ ( − κ ( S ( t ) − 0.5 ) ) \Theta(t) = 0.1 + \frac{0.9}{1 + \exp(-\kappa(S(t) - 0.5))} Θ(t)=0.1+1+exp(−κ(S(t)−0.5))0.9

其中
S ( t ) = 0.5 ( 1 − t T max ⁡ ) + 0.5 σ t S(t) = 0.5\left(1 - \frac{t}{T_{\max}}\right) + 0.5\sigma_t S(t)=0.5(1−Tmaxt)+0.5σt

全局漂移率定义为：
σ t = ∣ g b e s t t − g b e s t t − 1 ∣ ∣ g b e s t 0 ∣ + ε \sigma_t = \frac{|gbest_t - gbest_{t-1}|}{|gbest_0| + \varepsilon} σt=∣gbest0∣+ε∣gbestt−gbestt−1∣

4.结果展示

5.参考文献

$1$ Jiang T, Chu S C, Pan J S, et al. Large language model-driven dynamic communication strategy generation for multi-swarm particle swarm optimization $J$ . Engineering Applications of Artificial Intelligence, 2026, 167: 113920.