Self Evolve 开始阅读
Project report / GitHub evidence

LLM4EC: LLM 与进化计算交叉研究的系统综述资源库

这是可索引项目报告证据页：它保留 LLM4EC: LLM 与进化计算交叉研究的系统综述资源库 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。

报告索引 项目索引 Markdown source

LLM4EC: LLM 与进化计算交叉研究的系统综述资源库

基本信息

字段内容
GitHubhttps://github.com/wuxingyu-ai/LLM4EC
Star约 200+
技术栈Markdown, 论文索引, 文献综述
许可证未明确标注
开发者Wu Xingyu 等 (香港理工大学)

项目简介

LLM4EC 是一篇被 IEEE Transactions on Evolutionary Computation (TEVC) 接受的综合综述论文的配套资源库。该项目系统性地整理了大语言模型 (LLM) 与进化计算 (EC) 交叉领域的研究论文、代码链接和资源。项目将研究方向划分为三大类：LLM 增强进化算法、EA 增强大语言模型、以及 LLM 与 EA 协同驱动的应用，涵盖了从黑箱优化到神经架构搜索等多个子领域。

目录结构

wuxingyu_ai__llm4ec/
├── README.md          ★ 核心综述内容，包含完整论文列表与分类
├── Framework.png      ★ 研究框架图 (LLM-EC 交叉领域总览)
└── (无源代码，纯文献索引项目)

注：本项目为纯论文索引仓库，不包含可执行源代码。其核心价值在于对 LLM-EC 交叉领域研究工作的系统化分类整理。

核心模块分析

1. LLM 增强 EA (LLM-enhanced EA)

该模块将 LLM 在进化计算中的应用归纳为三个子方向：

2. EA 增强 LLM (EA-enhanced LLM)

该模块聚焦于利用进化计算技术改进大语言模型：

3. 协同应用 (Integrated Synergy)

该模块涵盖 LLM 与 EA 协同驱动的应用场景：

技术亮点

  1. 三维分类框架：首次系统地将 LLM-EC 交叉研究按”LLM 增强 EA”、“EA 增强 LLM”和”协同应用”三个维度进行分类，形成了清晰的知识图谱。
  2. 覆盖面广泛：收集了 200+ 篇相关论文，涵盖 2022-2025 年间的主要研究成果，持续更新。
  3. 代码与论文关联：每篇论文均标注了代码仓库链接 (如有)、发表会议和年份，便于研究者快速定位可复现的工作。
  4. 四范式模型 (来自关联 LLM4Opt)：LLM 作为优化器 (LLMaO)、预测器 (LLMaP)、提取器 (LLMaE) 和设计器 (LLMaD) 的分类方法为理解 LLM 在优化中的角色提供了结构化视角。
  5. 进化算法生成：项目中记录的 LLM 辅助优化算法生成方向是最具创新性的研究领域之一，包括 EoH (利用 LLM 进行交叉和变异操作来进化启发式算法)、ReEvo (引入反思机制的进化超启发式) 和 FunSearch (在 Nature 上发表的利用 LLM 进行数学发现的工作)。
  6. 安全与对抗方向：特别关注了 EA 在 LLM 安全领域的应用，如 AutoDAN (利用进化算法生成越狱提示) 和 LLM-Virus (进化式对抗攻击) 等。

与 Self-Evolve 关联

维度LLM4EC 贡献
进化循环设计提供了 LLM 驱动进化搜索的完整方法论图谱，包括 EoH、ReEvo 等可直接借鉴的进化循环框架
提示工程模式系统整理了 EvoPrompt、PromptBreeder 等基于进化的提示优化方法，为 Self-Evolve 的提示设计提供参考
评估框架涵盖多种 LLM-EC 评估基准和指标体系，包括 LLM 作为优化器的性能评估方法
自进化启发PromptBreeder 的自参照改进、EvoPrompt 的进化提示搜索等直接启发了 Self-Evolve 的迭代优化思路
算法设计EoH 和 FunSearch 展示了 LLM 如何自动设计新算法，与 Self-Evolve 的代码自改进目标一致

参考资料