論文の概要: Evolutionary thoughts: integration of large language models and evolutionary algorithms

• arxiv url: http://arxiv.org/abs/2505.05756v1
• Date: Fri, 09 May 2025 03:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.142532
• Title: Evolutionary thoughts: integration of large language models and evolutionary algorithms
• Title（参考訳）: 進化的思考:大規模言語モデルと進化的アルゴリズムの統合
• Authors: Antonio Jimeno Yepes, Pieter Barnard,
• Abstract要約: 大規模言語モデル(LLM)は、自然言語とコードの両方を理解し、生成する際、注目すべき機能を明らかにしている。 本稿では,拡張解空間のより集中的な探索を可能にする進化的探索戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.3633885460047765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have unveiled remarkable capabilities in understanding and generating both natural language and code, but LLM reasoning is prone to hallucination and struggle with complex, novel scenarios, often getting stuck on partial or incorrect solutions. However, the inherent ability of Evolutionary Algorithms (EAs) to explore extensive and complex search spaces makes them particularly effective in scenarios where traditional optimization methodologies may falter. However, EAs explore a vast search space when applied to complex problems. To address the computational bottleneck of evaluating large populations, particularly crucial for complex evolutionary tasks, we introduce a highly efficient evaluation framework. This implementation maintains compatibility with existing primitive definitions, ensuring the generation of valid individuals. Using LLMs, we propose an enhanced evolutionary search strategy that enables a more focused exploration of expansive solution spaces. LLMs facilitate the generation of superior candidate solutions, as evidenced by empirical results demonstrating their efficacy in producing improved outcomes.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語とコードの両方を理解し、生成する際、顕著な機能を明らかにしている。 しかし、進化的アルゴリズム(EA)が広範かつ複雑な探索空間を探索する固有の能力は、従来の最適化手法が混乱するシナリオにおいて特に有効である。 しかし、EAは複雑な問題に適用した場合に広大な検索空間を探索する。 大規模個体群の評価,特に複雑な進化的課題の計算ボトルネックに対処するために,我々は高効率な評価枠組みを導入する。 この実装は、既存のプリミティブ定義との互換性を維持し、有効な個人の生成を保証する。 LLMを用いて、拡張解空間のより集中的な探索を可能にする進化的探索戦略を提案する。 LLMは優れた候補解の生成を促進するが、その効果が改善された結果を生み出すことが実証された結果から証明されている。

関連論文リスト

• Can Large Language Models Be Trusted as Black-Box Evolutionary Optimizers for Combinatorial Problems? [8.082897040940447]
  LLM(Large Language Models)は、幅広い知識でゲームを変えるソリューションを提供し、最適化のパラダイムを民主化することができる。 したがって、LLMの適合性を進化機構(EVO)として評価することが不可欠である。
  論文  参考訳（メタデータ） (2025-01-25T05:19:19Z)
• Evolutionary Large Language Model for Automated Feature Transformation [44.64296052383581]
  自動特徴変換のための進化的Large Language Model (LLM) フレームワークを提案する。 本フレームワークは,1)RLデータコレクタによるマルチポピュレーションデータベースの構築,2)大規模言語モデル(LLM)のシーケンス理解能力を活用した2つの部分から構成される。 提案手法の有効性と汎用性を実証的に示す。
  論文  参考訳（メタデータ） (2024-05-25T12:27:21Z)
• Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
  我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。 私たちの目標は、進化の集団の収束を早めることです。
  論文  参考訳（メタデータ） (2024-05-09T13:44:04Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Large Language Models as Evolutionary Optimizers [37.92671242584431]
  本稿では,大言語モデル(LLM)を進化論として初めて研究する。 主な利点は、最小限のドメイン知識と人間の努力が必要であり、モデルに追加のトレーニングは必要ありません。 また,進化探索における自己適応機構の有効性についても検討した。
  論文  参考訳（メタデータ） (2023-10-29T15:44:52Z)
• EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers [67.64162164254809]
  EvoPromptは離散的なプロンプト最適化のためのフレームワークである。 進化的アルゴリズム(EA)の概念は、優れた性能と高速収束を示すものである。 人為的なプロンプトと既存の方法で自動プロンプト生成を著しく上回っている。
  論文  参考訳（メタデータ） (2023-09-15T16:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。