客座社论：进化计算与大语言模型的融合

《Evolutionary Computation》：Guest Editorial: Evolutionary Computation Meets Large Language Models

　　

进化计算（EC）与大语言模型（LLM）沿部分独立的轨迹发展而来。进化计算根植于群体层面的变异、选择与适应，它不仅仅是一种优化技术，更是复杂、不确定和弱监督环境下发现的一般性原理。大语言模型同样不只是文本生成器，而是大规模编码和复用知识的通用手段。二者近期的融合并非简单地将两种技术拼合，这引出了一个更深层次的问题：如何将搜索、知识、生成与评估整合为一种新的计算范式？

本特刊恰逢大语言模型正从被动的文本生成器转变为科学发现、算法设计、软件工程和自动化决策中的主动组件的时期。这一转变自然地为进化计算开辟了空间。大语言模型的兴起并未使这些问题变得新颖，而是让它们变得前所未有地显见。如何在不确定条件下进行搜索、适应、保持多样性并做出稳健决策，长期以来一直是进化计算的核心议题。本特刊收录的文章表明，这种关系是双向的：进化计算可以优化和测试大语言模型，而大语言模型可以引导和重塑进化搜索。这种相互作用是本特刊的组织原则。

本特刊的目的不仅仅是连接两个研究领域，而是要阐明二者交叉处的研究议程。我们邀请了通过新方法、严谨基准测试或实质性应用将进化计算与大语言模型相结合的原创新工作。本特刊共收到27篇投稿，经过严格的同行评审流程，最终选取了十篇文章予以发表。我们从三个主题对它们进行阐述，并随后展望了它们所界定的研究格局。

第一个主题将语言模型本身视为进化优化的对象。一个核心关切是效率：强大的模型往往训练、部署和适应的成本高昂。Zhang等人[A1]通过一种由进化计算开发的脉冲驱动轻量级大语言模型来解决这一问题，其中搜索识别出能量感知的模型设计。Liu等人[A2]聚焦于代码补全，展示了进化搜索如何使模型行为向更有效的软件生成方向调整。这两项研究共同说明了进化计算的更广泛角色：它可以在准确性、延迟、内存和能量等实际约束下塑造大语言模型。

第二个主题反转了这一方向。大语言模型为进化搜索带来了新的先验知识来源。它们可以建议算子、生成算法组件、编写优化代码，并帮助重新表述困难问题。Lai等人[A3]通过LLMENAS在神经架构搜索中展示了这一潜力，其中语言模型的引导提高了进化搜索的效率。Li等人[A4]将大语言模型辅助的算法设计应用于具有可变子批量的流水作业混合调度问题。Ma等人[A5]提出了LLaMoCo，一个用于生成优化代码的指令微调框架。Liu等人[A6]研究了用于推荐系统的语言模型进化算法，并提供了基准测试和系统性比较；如果这一新兴领域要从有前景的示例走向累积性的科学，这类基准测试至关重要。这些文章共同表明，大语言模型可能不仅成为问题的求解者，还可能成为进化计算的算法协同设计者。

第三个主题超越了单向辅助，指向闭环智能，即生成、评估与测试协同演进。Li等人[A7]提出了CoCoEvo，让程序和测试用例协同进化，从而更强的测试驱动更好的代码，更好的代码又要求更强的测试。Hou等人[A8]使用多模态大语言模型作为进化内容生成的适应度评估器，用学习和灵活的质量评估替代固定目标。You等人[A9]提出了UniBreak，一个统一的进化级令牌框架，用于探测模型鲁棒性。Han等人[A10]使用遗传编程构建多粒度测试来暴露模型缺陷。这些研究表明，进化搜索不仅可以作为解决方案的生成器，还可以作为测试和治理智能系统的纪律性机制。

综合阅读这些文章，它们定义的不仅仅是应用集合，而是揭示了一种双向研究模式：进化计算可以使大语言模型更高效、更鲁棒、更可控，而大语言模型可以使进化搜索更知情、更适应、更可编程。这一模式可能成为基础模型时代优化和自动设计的重要基础之一。

若干挑战值得持续关注。可扩展性仍是根本问题：当进化搜索与基础模型规模交互时，必须变得实用。理论同样重要：我们需要理解大语言模型的引导何时有助于搜索、何时会偏置搜索，以及这种引导应如何控制。基准测试和可重复性将决定该领域能否超越孤立演示而走向成熟。表示和适应度评估也需要重新审视，尤其是在评估器本身是一个学习模型的情况下。最后，安全性和可控性必须被视为核心研究问题，而非事后补救。长期的机遇在于开发能够搜索、生成、评估并自我改进的计算系统，同时保持高效、鲁棒并在人类控制之下。

我们感谢所有向本特刊投稿的作者以及为促成本特刊而撰写细致报告的审稿人。我们感谢IEEE《进化计算汇刊》主编Carlos A. Coello Coello教授的支持和指导，感谢编辑团队在评审和出版全过程中的协助。

附录：相关文章

1. M. Zhang, W. Wei, Z. Zhou, W. Liu, J. Zhang, and A. Belatreche, "基于进化计算的脉冲驱动轻量级大语言模型," IEEE 进化计算汇刊, 第30卷, 第4期, 第1333–1346页, 2026年8月, doi: 10.1109/TEVC.2025.3606613.
2. D. Liu, Z. Tan, G. G. Yen, S. Duan, Y. Zhou, and Z. He, "进化计算增强大语言模型用于智能代码补全," IEEE 进化计算汇刊, 第30卷, 第4期, 第1347–1361页, 2026年8月, doi: 10.1109/TEVC.2026.3655808.
3. Y. Lai, Z. Cai, L. Chen, T. Ling, and H.-L. Liu, "LLMENAS: 基于大语言模型引导的进化神经架构搜索," IEEE 进化计算汇刊, 第30卷, 第4期, 第1362–1376页, 2026年8月, doi: 10.1109/TEVC.2026.3670336.
4. R. Li, L. Wang, H. Sang, L. Yao, and L. Pan, "大语言模型辅助的自动模因算法用于具有可变子批量的流水作业混合调度," IEEE 进化计算汇刊, 第30卷, 第4期, 第1377–1389页, 2026年8月, doi: 10.1109/TEVC.2025.3556186.
5. Z. Ma, Y.-J. Gong, H. Guo, J. Chen, Y. Ma, and Z. Cao, "LLaMoCo: 大语言模型的指令微调用于优化代码生成," IEEE 进化计算汇刊, 第30卷, 第4期, 第1390–1404页, 2026年8月, doi: 10.1109/TEVC.2026.3656374.
6. J. Liu, Z. Sun, S. Feng, C. Chen, and Y.-S. Ong, "用于推荐系统的语言模型进化算法: 基准测试与算法比较," IEEE 进化计算汇刊, 第30卷, 第4期, 第1405–1419页, 2026年8月, doi: 10.1109/TEVC.2025.3609058.
7. K. Li, Y. Yuan, H. Yu, T. Guo, and S. Cao, "CoCoEvo: 程序与测试用例的协同进化以增强代码生成," IEEE 进化计算汇刊, 第30卷, 第4期, 第1420–1434页, 2026年8月, doi: 10.1109/TEVC.2025.3593272.
8. Y. Hou, N. Wang, Z. Yu, D. M. Bossens, Y. Wu, and Q. Zhang, "基于多模态大语言模型适应度评估的进化内容生成," IEEE 进化计算汇刊, 第30卷, 第4期, 第1435–1449页, 2026年8月, doi: 10.1109/TEVC.2026.3657774.
9. S. You 等, "UniBreak: 用于大语言模型的统一进化级令牌越狱框架," IEEE 进化计算汇刊, 第30卷, 第4期, 第1450–1464页, 2026年8月, doi: 10.1109/TEVC.2026.3656951.
10. W. Han, H. Li, M. Gong, Y. Zhou, Y. Wu, and A. K. Qin, "使用遗传编程对大语言模型进行多粒度对抗攻击," IEEE 进化计算汇刊, 第30卷, 第4期, 第1465–1479页, 2026年8月, doi: 10.1109/TEVC.2025.3629409.