发表机构
VŠB-Technical University of Ostrava; Torrens University Australia; King’s College London（俄斯特拉发理工大学; 托伦斯大学; 伦敦国王学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出LLMDE算法，利用大语言模型动态选择变异策略和配置参数，在CEC2022基准和CVaR投资组合优化中表现优异，验证了LLM嵌入元启发式的可行性。
AI 中文摘要
本研究提出了一种大语言模型驱动的差分进化（LLMDE）算法，以减少对手工设计的超参数的依赖。该算法利用提示工程策略，使大语言模型（LLMs）能够根据优化反馈动态选择变异策略并配置控制参数，从而提升差分进化算法的性能。我们在CEC2022基准测试套件上评估了LLMDE的性能，并将其与标准差分进化算法及具有代表性的元启发式算法进行了比较。此外，我们采用因子分析和K-means聚类进行股票选择，然后应用LLMDE在预算和最低预期收益约束下，使用所选股票求解条件风险价值（CVaR）投资组合优化问题。实验结果表明，LLMDE在基准测试套件上取得了具有竞争力的性能，同时持续为复杂的约束优化任务生成高质量的解决方案。这些结果成功证明了将大语言模型嵌入元启发式算法的可行性，为设计先进的大语言模型辅助优化技术铺平了有前景的道路。
英文摘要
This study proposes a Large Language Model-Driven Differential Evolution (LLMDE) algorithm to reduce the reliance on handcrafted hyperparameter design. The proposed algorithm leverages a prompt engineering strategy, allowing large language models (LLMs) to dynamically select mutation strategies and configure control parameters guided by optimization feedback, thus enhancing the performance of the DE algorithm. We evaluate the performance of LLMDE on the CEC2022 benchmark suite, comparing it with standard DE and representative metaheuristics. Furthermore, we employ factor analysis and K-means clustering for stock selection, and then apply LLMDE to solve the Conditional Value at Risk (CVaR) portfolio optimization problem using the selected stocks, subject to budget and minimum expected return constraints. Experimental results demonstrate that LLMDE achieves competitive performance on the benchmark suite while continuously generating high-quality solutions for complex constrained optimization tasks. These outcomes successfully demonstrate the viability of embedding LLMs within metaheuristics, paving a promising path toward the design of advanced LLM-assisted optimization techniques.
