超越LLM-GA：基于ReEvo设计的模因算法的安全流体天线系统
Beyond LLM-GA: Secure Fluid Antenna Systems with ReEvo-Designed Memetic Algorithm
浏览论文内容
中文总结 AI 辅助
针对流体天线系统在窃听威胁下的安全端口选择问题，提出基于反思进化（ReEvo）的模因算法，离线演化交叉、变异和局部搜索算子，无需在线LLM查询，仿真显示比传统GA和LLM-GA获得更高的安全总和速率。
中文摘要 AI 辅助
流体天线系统（FAS）提供了显著的空间灵活性，然而，在军事、卫星和物联网网络中，保护其免受窃听对于实际部署至关重要。尽管大语言模型（LLM）辅助的遗传算法（LLM-GA）能够解决这一安全的FAS端口选择问题，但能否进一步改进算法值得更深入的探究。为此，我们提出了一种基于反思进化（ReEvo）的模因算法。与最先进的LLM-GA不同，后者仅使用LLM设计交叉或变异算子，我们的算法利用LLM离线演化专用的交叉、变异和局部搜索算子。这些算子随后被嵌入到模因搜索框架中，从而在执行过程中无需任何在线LLM查询。在相同代数下的仿真结果表明，我们提出的算法比传统GA和最先进的LLM-GA实现了更高的安全总和速率。
英文摘要
Fluid antenna systems (FASs) offer significant spatial flexibility, yet securing them against eavesdropping is critical for practical FAS deployment in military, satellite, and internet-of-things networks. Although large language model (LLM)-assisted genetic algorithms (LLM-GAs) can address this secure FAS port selection problem, whether further algorithmic improvement is possible warrants deeper investigation. To this end, we propose a memetic algorithm based on reflective evolution (ReEvo). Unlike the state-of-the-art LLM-GAs, which design only crossover or mutation operators with an LLM, our algorithm leverages an LLM to evolve dedicated crossover, mutation, and local-search operators offline. These operators are then embedded into a memetic search framework, thereby obviating any online LLM queries during execution. Simulation results at equal generation counts demonstrate that our proposed algorithm achieves a higher secure sum-rate than the conventional GA and the state-of-the-art LLM-GAs.
发表机构
- Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
机构由 AI 辅助整理，请以论文原文为准。
