LLM 驱动的元启发式算法发现的行为空间分析

基于摘要分析。本文研究 LLM 自动生成的黑箱优化启发式算法在行为空间中的差异，贡献重点是结合搜索轨迹、代码结构与收敛表现，分析不同算法生成配置为何产生不同的优化行为，而非提出神经信号解码模型。 作者使用 Large Language Evolutionary Algorithm（LLaMEA）框架与 GPT o4-mini，迭代演化优化启发式算法，并在 BBOB 基准套件的 10 个函数上评估。研究比较采用不同变异提示策略的六种 LLaMEA 变体，记录每次运行的探索、利用、收敛及停滞等动态行为指标。分析工具包括基于行为的投影、由静态代码特征构建的 Code Evolution Graphs、性能收敛曲线，以及基于行为的 Search Trajectory Networks，旨在联系算法代码演化与实际搜索动态。 作者报告，在上述评估范围内，采用代码简化提示与随机扰动提示、并使用 1+1 精英进化策略的变体表现最佳，取得最高的 Area Over the Convergence Curve。作者还报告，表现较好的算法在行为可视化中呈现更强的利用行为、更快的收敛和更少的停滞；这些关联尚不能仅凭摘要解释为性能提升的因果机制。 摘要未提供具体得分、指标计算方式、函数配置、评估预算、重复次数及统计不确定性，实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。本文的直接研究对象是通用黑箱优化算法的自动发现，材料未提供 EEG 或 BCI 实验，不能据此推断神经信号任务收益；相关 EEG 工作尚未检索确认。