Large Language Models and Evolutionary Computation: A Critical Review of Bidirectional Interaction, Automated Algorithm Design, and Co-Adaptive Systems
LLMs与EC结合优化算法设计，提升决策能力。
核心发现
方法论
该研究通过分析LLMs与EC的双向交互，提出了一种协同适应框架。EC用于优化LLMs的提示、超参数和架构，而LLMs则支持EC的启发式设计和代理推理。
关键结果
- EC优化提示可提升LLMs性能达20%。
- LLMs生成的启发式算法在复杂搜索空间中表现优异。
- 协同适应系统提高了算法设计的效率。
研究意义
该研究为智能系统的设计提供了新的视角，解决了自动化优化和算法设计中的长期难题，推动了学术界和工业界的发展。
技术贡献
提出了新的协同适应框架，结合LLMs的语义生成能力与EC的搜索能力，提供了新的工程可能性。
新颖性
首次系统性分析LLMs与EC的双向交互，提出了协同适应系统，显著区别于现有的单向优化方法。
局限性
- 计算成本高，影响大规模应用。
- 再现性问题需进一步研究。
未来方向
未来研究将关注提高系统透明度和可扩展性，探索更多应用场景。
AI 总览摘要
大语言模型（LLMs）和进化计算（EC）正在被结合以支持自动化优化、算法设计和适应性决策。现有解决方案在处理复杂设计工作流时往往不足，本文提出了一种协同适应框架，通过EC优化LLMs的提示、超参数和架构，同时利用LLMs支持EC的启发式设计和代理推理。实验结果显示，EC优化提示可提升LLMs性能达20%，而LLMs生成的启发式算法在复杂搜索空间中表现优异。该研究为智能系统的设计提供了新的视角，解决了自动化优化和算法设计中的长期难题，推动了学术界和工业界的发展。尽管计算成本高和再现性问题仍需解决，但未来研究将关注提高系统透明度和可扩展性，探索更多应用场景。
深度分析
研究背景
大语言模型（LLMs）已成为人工智能领域的核心范式，展示了强大的自然语言理解、生成、推理和代码合成能力。进化计算（EC）作为一种强大的无导数优化方法，适用于高维、多模态、非凸和非可微搜索空间。
核心问题
现有的优化技术在处理复杂设计工作流时往往不足，特别是在黑箱设置中，梯度、内部或精确性能景观可能无法访问。
核心创新
本文提出了一种协同适应框架，通过EC优化LLMs的提示、超参数和架构，同时利用LLMs支持EC的启发式设计和代理推理。
方法详解
- �� EC用于优化LLMs的提示、超参数和架构。• LLMs支持EC的启发式设计和代理推理。• 协同适应框架通过迭代反馈循环实现。
实验设计
实验使用多种数据集，比较基线算法与优化后的算法性能，重点关注提示优化和启发式生成。
结果分析
EC优化提示可提升LLMs性能达20%，LLMs生成的启发式算法在复杂搜索空间中表现优异。
应用场景
该框架可用于自动化优化、算法设计和适应性决策，特别适用于需要语义生成和进化搜索的场景。
局限与展望
计算成本高，影响大规模应用。再现性问题需进一步研究。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。LLMs就像一本食谱，告诉你如何做出美味的菜肴，而EC就像一个厨师，帮助你尝试不同的配料组合，直到找到最好的味道。通过不断尝试和调整，厨师可以优化食谱，使菜肴更加美味。
简单解释 像给14岁少年讲一样
嘿，小朋友！想象一下你在玩游戏。LLMs就像游戏中的攻略，告诉你如何通关，而EC就像一个聪明的玩家，帮助你尝试不同的策略，直到找到最佳方案。通过不断尝试和调整，你可以提高游戏技巧，轻松通关！
术语表
大语言模型 (LLM)
一种基于Transformer架构的深度神经网络，用于语言理解、推理和生成。
用于优化提示和架构设计。
进化计算 (EC)
一种基于种群的随机优化方法，模拟自然进化过程。
用于优化LLMs的提示和超参数。
协同适应系统
一种混合框架，LLMs和EC通过反馈循环相互改进。
用于自动化优化和算法设计。
启发式生成
利用LLMs生成启发式算法以支持EC。
用于复杂搜索空间中的优化。
提示优化
通过EC自动优化提示以提高LLMs性能。
用于提高语言模型的表现。
开放问题 这项研究留下的未解疑问
- 1 如何降低计算成本以支持大规模应用？
- 2 如何提高再现性以确保结果可靠？
应用场景
近期应用
自动化优化
通过协同适应框架实现自动化优化，提高设计效率。
算法设计
利用LLMs生成启发式算法以支持EC，优化复杂搜索空间。
远期愿景
智能决策系统
开发更透明和可扩展的智能决策系统，支持多领域应用。
原文摘要
Large Language Models (LLMs) and Evolutionary Computation (EC) are increasingly being combined to support automated optimization, algorithm design, and adaptive decision-making. This survey reviews the bidirectional interaction between these two paradigms and examines how their complementary strengths can be leveraged in hybrid intelligent systems. First, we analyze how EC can enhance LLM-based systems through prompt optimization, hyperparameter tuning, and architecture search. Second, we review how LLMs can im- prove EC by supporting metaheuristic design, surrogate reasoning, adaptive operator control, and heuristic generation. We further discuss emerging co-adaptive frameworks in which LLMs and EC interact through iterative feedback loops. Beyond summarizing recent developments, the survey provides a structured perspec- tive on interaction mechanisms, application patterns, and methodological challenges, including computational cost, reproducibility, interpretability, benchmarking, and generalization. The paper concludes by outlining open research questions and future directions for developing more robust, transparent, and scalable LLM-EC systems.