研究人员开发了一种使用大型语言模型（LLM）来演化和生成多目标贝叶斯优化（MOBO）算法的新颖方法。通过将LLM整合到演化策略中作为变异和交叉算子，LLaMEA框架得以扩展以创建完整的算法实现。这种LLM驱动的方法在合成和真实世界的工程问题上，显著优于最先进的基线，实现了更高的归一化超体积指标，同时所需的计算时间也大大减少。 AI
影响 这项研究展示了一种新的算法设计范式，有可能加速跨越各种科学和工程领域的复杂优化任务的发现。
排序理由 该集群包含一篇详细介绍新颖研究方法及其实验结果的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.08791v1 Announce Type: cross Abstract: Designing effective multi-objective Bayesian optimization (MOBO) algorithms requires balancing many interdependent design choices whose optimal configuration is problem-dependent and typically demands deep expertise. We extend the…
Designing effective multi-objective Bayesian optimization (MOBO) algorithms requires balancing many interdependent design choices whose optimal configuration is problem-dependent and typically demands deep expertise. We extend the LLaMEA framework to MOBO, using large language mo…