背景

• 时间：Mar 2026
• 场景：GECCO 相关竞赛，围绕 LLM 设计进化算法。

方法

• 基于 LLM4AD 与 Evolution of Heuristics (EoH) 设计自适应多算子进化算法。
• 引入 Multi-Armed Bandit (MAB) 模块，用于优化过程中算子自适应选择。

结果

• 在 GNBG 基准问题中达到 17/24 的最优结果。

技术栈

• Python
• LLM4AD
• Evolutionary Algorithm
• Multi-Armed Bandit

反思

• 后续可补充不同算子调度策略在不同问题族上的泛化对比。
• 可以增加消融实验，量化 MAB 模块的边际收益。