EASE-ing into Global Optimization with LLMs A competition entry on LLM-designed Evolutionary Algorithms at The Genetic and Evolutionary Computation Conference (GECCO) 2025

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F25%3A63599938" target="_blank" >RIV/70883521:28140/25:63599938 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1145/3712255.3735096" target="_blank" >http://dx.doi.org/10.1145/3712255.3735096</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3712255.3735096" target="_blank" >10.1145/3712255.3735096</a>

Jazyk výsledku

angličtina

Název v původním jazyce

EASE-ing into Global Optimization with LLMs A competition entry on LLM-designed Evolutionary Algorithms at The Genetic and Evolutionary Computation Conference (GECCO) 2025

Popis výsledku v původním jazyce

This paper presents an extended abstract describing an entry into the LLM for evolutionary algorithms tailored benchmarking competition using a GNBG-generated test suite. This study explores the generative design of optimization algorithms using large language models (LLMs) within the EASE modular framework, which supports iterative prompting and feedback-driven refinement. Across five successive generations, we observed a progressive transformation in algorithmic structure. The findings suggest opportunities for further research into the role of prompt design, feedback phrasing, and framework architecture in guiding the emergence of more task-adaptive, domain-specialized algorithmic behavior.

Název v anglickém jazyce

EASE-ing into Global Optimization with LLMs A competition entry on LLM-designed Evolutionary Algorithms at The Genetic and Evolutionary Computation Conference (GECCO) 2025

Popis výsledku anglicky

This paper presents an extended abstract describing an entry into the LLM for evolutionary algorithms tailored benchmarking competition using a GNBG-generated test suite. This study explores the generative design of optimization algorithms using large language models (LLMs) within the EASE modular framework, which supports iterative prompting and feedback-driven refinement. Across five successive generations, we observed a progressive transformation in algorithmic structure. The findings suggest opportunities for further research into the role of prompt design, feedback phrasing, and framework architecture in guiding the emergence of more task-adaptive, domain-specialized algorithmic behavior.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

PROCEEDINGS OF THE 2025 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE COMPANION, GECCO 2025 COMPANION

ISBN

979-8-4007-1464-1

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

7-8

Název nakladatele

Association for Computing Machinery, Inc

Místo vydání

New York

Místo konání akce

Malaga

Datum konání akce

14. 7. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001564494900004