1. 项目概述
在群体智能优化领域,多群粒子群算法(Multi-Swarm PSO,简称MSO)一直面临着通信策略固化的痛点。传统方法依赖人工预设的固定通信规则,就像让一群人在完全相同的节奏下跳舞,无法根据舞曲变化灵活调整步伐。我们团队提出的L2D-MSO框架,首次将大型语言模型(LLM)引入群体智能算法的动态决策过程,相当于给每个粒子群配备了一位实时观察全局的"策略指挥官"。
这个创新点源于我们在实际工程优化中的发现:当处理高维非凸问题时,固定通信策略会导致子群间信息交换效率低下。比如在无人机集群路径规划项目中,传统MSO算法在复杂地形中容易陷入局部最优,而人工调整策略又需要耗费大量试错成本。L2D-MSO的核心突破在于建立了"状态感知-语义转换-动态决策"的闭环机制,使得算法能够像人类专家一样,根据优化进程自主调整通信策略。
关键创新:通过自然语言接口将群体状态编码为LLM可理解的语义信息,实现了优化算法与语言模型的跨模态协同。这种架构在IEEE CEC2025基准测试中,相较传统MSO平均收敛速度提升47%,在10个工程优化案例中成功率达到92%。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心原理拆解
2.1 LLM与优化算法的融合范式
传统优化算法与LLM的结合存在明显的语义鸿沟——群体状态是数值向量,而LLM处理的是自然语言。我们设计的转换器模块包含三个关键组件:
-
数值-语义编码器:将粒子群的改进率、停滞次数、多样性指数等23维状态向量,转换为如"第三子群近期进步显著但多样性不足"的自然语言描述。这里采用基于注意力机制的动态模板生成方法,确保信息无损转换。
-
结构化Prompt引擎:包含三层引导结构:
python复制prompt = f""" [问题定义] 当前正在优化{problem_type}问题,需要协调{swarm_num}个子群... [示例说明] 输入:子群A改进率0.2,停滞3代,多样性0.7 → 输出:{{"strategy":"ring","participants":[1,3,5],"intensity":0.6}} [当前状态] {swarm_status_description} 请生成JSON格式策略:"""
