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。研究对象是 LLM 自动发现的黑箱优化元启发式算法，核心贡献是联合分析运行行为、代码演化与搜索轨迹，考察不同算法生成配置如何影响搜索动态和优化性能，而非提出 EEG 或 BCI 解码方法。 研究使用 Large Language Evolutionary Algorithm（LLaMEA）框架与 GPT o4-mini，在 BBOB benchmark suite 的 10 个函数上迭代演化优化启发式，并比较采用不同变异提示策略的六种 LLaMEA 变体。作者记录探索、利用、收敛和停滞等动态行为指标，结合行为投影、基于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 分析算法发现过程。 作者报告，在上述评估范围内，同时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密集的利用、更快的收敛及更少的停滞。摘要未给出具体分数、差异幅度或统计不确定性；这些关联尚不能单独确立某种行为导致性能改善。 复现需核对 BBOB 函数及维度、目标函数评估预算、重复运行与随机种子、提示内容、生成代码的执行约束、行为指标和曲线面积的定义，以及算法发现与最终评估是否分离。实验协议、消融及统计信息尚未验证。材料未提供与 EEG 数据结构或解码瓶颈的具体机制对应，因此不据此推导 BCI 有效性或提出迁移实验。