2025_NIPS_Partition to Evolve: Niching-enhanced Evolution with LLMs for Automated Algorithm Discover

文章核心总结与创新点核心内容本文聚焦自动化算法发现（AAD），提出一种融合小生境增强的大语言模型辅助进化搜索（LES）框架，解决传统LES在抽象语言空间中难以有效应用进化计算（EC）技术的问题。基于该框架设计了PartEvo方法，通过特征辅助小生境构建、先进提示策略与EC技术结合，在单模态/多模态优化、移动边缘计算任务卸载、异构工厂调度等四类基准测试中，表现优于人类设计算法及Funsearch、EoH等主流LES方法，尤其在资源调度任务中性能提升达90.1%。创新点提出通用LES框架：通过特征辅助抽象搜索空间划分，实现结构化小生境构建，首次将基于小生境的EC技术无缝融入语言空间搜索。设计PartEvo方法：整合反思式进化、总结式进化等提示中心算子，以及跨小生境交叉、局部-全局引导进化等EC启发算子，平衡探索与利用。创新特征映射策略：采用代码相似性向量和思想嵌入两种特征表示，间接实现语言空间的有效划分与聚类。优化资源分配机制：在小生境间均匀分配采样资源，结合精英保留的概率选择策略，提升算法发现效率与稳定性。英文原文与中文翻译（Markdown格式）Abstract大语言模型辅助进化搜索（LES）已成为自动化算法发现（AAD）的一种极具潜力的方法。尽管针对经典优化问题已开发出多种进化搜索策略，但LES运行于抽象语言空间，为有效应用这些策略带来