摘要

本文介绍了一种将自适应进化策略（ES）与大型语言模型（LLM）相结合的方法，旨在提高复杂优化过程的可解释性。通过使用配备重启机制的自适应ES，有效地导航基准函数的挑战性景观，捕获优化旅程的详细日志，包括适应度演变、步长调整和由于停滞引起重启事件。然后利用LLM处理这些日志，生成简洁、用户友好的总结，突出关键方面，如收敛行为、最佳适应度成就和遇到局部最优。案例研究在Rastrigin函数上展示了我们的方法如何使ES优化的复杂性透明且易于理解。研究结果强调了使用LLM来弥合高级优化算法与其可解释性之间差距的潜力。

原理

本文提出的XES框架基于LLM生成的解释，总结和突出ES优化运行。XES采用带有重启机制的自适应ES，动态调整其变异步长，基于进化历史增强探索和利用能力。自适应机制根据算法性能微调变异参数，实现更有效的搜索过程。为应对停滞，算法引入战略重启机制，当检测到适应度长时间无显著改进时触发，重新初始化状态，包括种群和变异参数，从而多样化搜索空间并增加逃脱次优区域的可能性。关键在于实施详细日志系统，记录优化过程的进展，包括适应度值的发展、变异步长的演变、停滞事件和后续重启。LLM被用于将复杂日志数据提炼成简洁、用户友好的叙述，阐明优化过程。LLM根据四种不同的提示策略（Zero-Shot、Few-Shot、Chain-of-Thought和Few-Shot CoT）进行提示，强调ES性能的关键方面。

流程

XES的工作流程包括以下步骤：

1. 使用带有重启机制的自适应ES进行优化，动态调整变异步长。
2. 实施详细日志系统，记录适应度值、变异步长、停滞事件和重启。
3. 利用LLM处理日志数据，根据四种提示策略生成用户友好的总结。
4. 通过案例研究，如Rastrigin函数，展示XES的有效性和透明度。 例如，对于Rastrigin函数的优化，XES记录了每次迭代的适应度值和步长，以及停滞和重启事件。LLM根据提示策略生成总结，如“算法最初收敛到接近3.98的局部最优，然后重启并收敛到较低的最优接近2，随后再次重启并收敛到最佳观测值0.0106。在优化过程中遇到了多个局部最优。观测到的最低适应度值为0.0106，最高适应度值为3.9852。”

应用

XES框架的应用前景广泛，特别是在需要提高优化算法透明度和可解释性的领域。通过将复杂的优化日志转化为易于理解的叙述，XES有助于非专业用户理解和信任优化过程。此外，XES的见解可以用于智能代理系统的发展，自动执行优化行动，进一步提高效率和用户参与度。未来，通过集成交互分析层，可以根据用户查询定制解释，增强用户理解和参与。