进化计算 × 大语言模型：2024-2025 前沿导读

导读进化计算与 LLM 融合的代表性进展：从 OPRO、FunSearch 到 AlphaEvolve，从 LLaMEA 到 OpenEvolve。本文是阅读入口，不是系统综述协议。

进化计算的新候选生成器

传统进化算法依赖人工设计的变异算子（如高斯扰动、交叉重组）。大语言模型的出现改变了这个范式——LLM 可以理解问题语义，生成有意义的”变异”，而不仅仅是随机扰动。

Self Evolve 将这一融合称为”LLM 作为进化候选生成器”范式；它的效果取决于 evaluator、搜索空间、成本和失败保留机制。

里程碑：从 OPRO 到 AlphaEvolve

OPRO：LLM 作为优化器（2023）

OPRO（arXiv: 2309.03409）系统性展示了 LLM 可以在自然语言表述的黑盒优化中生成候选：

历史候选 + 分数 → LLM → 新候选

LLM 读取过去尝试的分数，提出新的候选方案。在论文任务设置中，这种方式可以比若干简单搜索基线更有效，但它仍依赖历史记录、反馈质量和任务表达。

FunSearch：可评估数学任务中的发现（Nature 2023）

FunSearch 在 Nature 上发表，用 LLM + 自动评估器发现了新的数学构造：

• 使用 Codey 模型生成函数变体
• 自动评估器筛选
• 维护进化谱系

关键成果：发现了超过已知最优的集合分割问题解。

AlphaEvolve：从单函数到完整代码库（2025）

AlphaEvolve 将 FunSearch 的理念扩展到工业规模：

• 双模型架构（Gemini Flash + Pro）
• MAP-Elites 质量多样性搜索
• 56 年来首次改进 Strassen 算法
• Google/DeepMind 报告了数据中心调度语境下约 0.7% 的计算资源恢复

关键技术组件

1. LLM 作为变异算子

传统变异：x' = x + N(0, σ) LLM 变异：x' = LLM(x, 评估历史, 上下文)

LLM 变异的优势：

• 理解语义，不会产生无意义变异
• 可以进行”大跳跃”而不仅仅是局部扰动
• 可以从失败中提取模式

2. 自动评估器

进化搜索需要适应度函数。在不同领域：

3. 谱系管理

维护进化历史，追踪每个候选的祖先：

种子 → 变异1 → 子代A（保留）
  → 变异2 → 子代B（淘汰）
子代A → 变异3 → 子代C（保留）

开源生态

与 Self Evolve 的交叉

在 Self Evolve 的技术图谱中，“进化计算 + LLM”路线与”Agent 自我进化”路线正在汇聚：

• ADAS/DGM：将 Agent 代码作为进化对象
• AlphaEvolve：将算法代码作为进化对象
• 两者共享同一核心模式：LLM 变异 + 自动评估 + 谱系保留

未来方向

1. 多目标进化：同时优化性能、可读性、安全性
2. 迁移进化：在一个领域学到的进化策略迁移到新领域
3. 人在回路：人类评估者提供定性反馈，补充自动评估器
4. 安全约束：确保进化出的代码不会引入安全漏洞

延伸阅读：

• AlphaEvolve 深度解析
• 开源自进化 AI 项目巡礼
• AI 自我进化：从概念到实现