目录
1.摘要
本文提出 LEO（Large Language-model-based Evolutionary Optimizer），把 LLM 用作种群式黑箱优化器，让 LLM 根据历史候选解生成探索池和开发池，并用精英保留作护栏。实验覆盖基准函数、多目标、高维问题和工程案例，结果表明，LLM 可做零样本优化，性能接近多种经典优化器。
2.方法
LEO 先随机生成父代种群，分别作为探索池和开发池，每轮中，LLM 通过两个提示生成新探索解和新开发解；新解评估后并入各自池。随后执行精英护栏：从探索池把若干优质解移入开发池，并剔除开发池最差解；两个池再按目标值排序，只保留前 N p o p N_{pop} Npop 个。循环至最大迭代数。核心不是让 LLM 模仿固定交叉/变异，而是让其依据上下文自行给出新候选区域。
3.实验
本文用四类实验评估 LEO：二维基准函数、多目标优化、高维 Rosenbrock、工程应用。比较对象包括 SGD、Adam、L-BFGS-B、SA、CMA-ES、COBYLA、NSGA-II、SLSQP 等。
结果表明，LLM 具备零样本优化和推理能力，低维问题中可接近 L-BFGS-B、CMA-ES 等强基线；多目标中可替代 NSGA-II 的交叉/变异；工程案例中可得到合理物理解。
4.参考文献
Brahmachary S, Joshi S M, Panda A, et al. Large language model-based evolutionary optimizer: Reasoning with elitismJ. Neurocomputing, 2025, 622: 129272.
5.算法辅导·应用定制·读者交流
xx