Resumen: La evaluación comparativa en la optimización continua de caja negra se ve obstaculizada por la limitada diversidad estructural de los conjuntos de pruebas existentes, como BBOB. Exploramos si grandes modelos de lenguaje integrados en un bucle evolutivo pueden usarse para diseñar problemas de optimización con características de paisaje de alto nivel claramente definidas. Utilizando el marco LLaMEA, guiamos a un LLM para generar código de problema a partir de descripciones en lenguaje natural de las propiedades objetivo, incluida la multimodalidad, la separabilidad, la homogeneidad del tamaño de la cuenca, la homogeneidad del espacio de búsqueda y el contraste óptimo local global. Dentro del ciclo calificamos a los candidatos a través de predictores de propiedades basados en ELA. Introducimos un mecanismo de intercambio de aptitud espacial ELA que aumenta la diversidad de la población y aleja el generador de paisajes redundantes. Un análisis complementario de la cuenca de atracción, pruebas estadísticas e inspección visual verifican que muchas de las funciones generadas efectivamente exhiben los rasgos estructurales previstos. Además, una incorporación de t-SNE muestra que expanden el espacio de instancias de BBOB en lugar de formar un clúster no relacionado. La biblioteca resultante proporciona un conjunto amplio, interpretable y reproducible de problemas de referencia para el análisis del paisaje y tareas posteriores, como la selección automatizada de algoritmos.
Publicado originalmente en export.arxiv.org el 27 de enero de 2026.
Ver fuente original
