LEAD (LLM-Evolved Algorithm Development)

LLM驱动的算法进化开发框架，支持单目标和多目标优化问题的算法自动进化。

单目标算法进化

1. 配置要求

在问题目录下的problem_config.json中配置：

{
    "multi_objective": false,
    "description": "问题描述",
    "function_name": "函数名",
    "input_format": "输入格式",
    "output_format": "输出格式",
    "evolution_params": {
        "algorithm": "TU",  # 或"DE"
        "population_size": 8,
        "generations": 10
    }
}

2. 运行流程

1. 初始化种群：LLM根据问题描述生成初始算法代码
2. 评估：计算每个个体的适应度(单目标值)
3. 进化循环：
   • 选择：锦标赛选择或差分进化选择
   • 交叉：代码片段重组
   • 变异：LLM引导的代码变异
4. 输出：最优算法代码和适应度曲线

3. 运行命令

lead-run --problem [问题名] [--generations 代数] [--population 种群大小]

可选参数：

• --generations: 覆盖默认进化代数
• --population: 覆盖默认种群大小

多目标算法进化

1. 配置要求

{
    "multi_objective": true,
    "objective_names": ["目标1", "目标2"],
    "description": "问题描述",
    "evolution_params": {
        "algorithm": "MO",
        "population_size": 10,
        "generations": 20
    }
}

2. 运行流程

1. 初始化种群：LLM生成初始多目标算法
2. 评估：计算每个个体的多目标适应度向量
3. 进化循环：
   • 非支配排序
   • 拥挤度计算
   • 精英保留
4. 输出：Pareto前沿算法集合

3. 运行命令

lead-run --problem [问题名] [--generations 代数] [--population 种群大小]

可选参数同上

配置说明

• problem_config.json必须包含：
  • 问题描述
  • 输入输出格式
  • 进化参数
• 可选配置：
  • LLM参数
  • 评估超时时间

结果输出

• 单目标：evolution_history/[时间戳]/目录保存各代最优解
• 多目标：multi_objective_history/[时间戳]/保存Pareto前沿