# 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：
```json
{
    "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
```bash
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
```json
{
    "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
```bash
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