基于大型语言模型的动态通信策略生成方法，用于多群体粒子群优化算法

《Engineering Applications of Artificial Intelligence》：Large language model-driven dynamic communication strategy generation for multi-swarm particle swarm optimization

多群粒子群优化框架引入大语言模型动态生成通信策略，通过实时分析各子群状态生成自然语言提示，经LLM推理动态调整通信策略，并采用自适应温度机制优化策略生成强度，在CEC2022基准测试及机器人路径规划、云端边缘协同调度等复杂应用中验证了高效的全局搜索能力和解质量，突破了传统静态通信策略的局限性。

　　

蒋同邦|楚书川|潘正阳|瓦茨拉夫·斯纳谢尔|魏一成

大连海事大学海洋电气工程学院，中国辽宁省大连市凌海路116026

摘要

多群体粒子群优化（MSO）作为一种关键方法，提高了群体智能的搜索效率和全局性能，在复杂问题中展现了广泛的应用性。然而，现有的MSO方法通常依赖于预定义的通信策略，这些策略无法适应不同优化阶段和问题特征的动态变化，极大地限制了它们的灵活性和泛化能力。为了解决这个问题，本文提出了一种基于大型语言模型的动态通信策略生成方法，用于多群体粒子群优化框架（L2D-MSO）。通过构建编码每个群体状态信息的自然语言提示，L2D-MSO能够利用大型语言模型进行实时推理，动态生成通信策略，指导多个群体之间的信息交换，从而加速收敛并提高解决方案的质量。此外，还引入了一种自适应温度机制，根据优化进度调整扰动强度，进一步增强策略生成的适应性。在CEC2022基准测试、机器人狗路径规划以及云边协同能量感知调度任务上的实验结果表明，L2D-MSO在收敛精度、搜索稳定性和高维适应性方面具有显著优势。

引言

在过去几十年中，多群体粒子群优化（MSO）因其出色的复杂优化能力而被广泛应用于实际工程领域（Chauhan等人，2025b），例如路径规划（Deng等人，2025）、自动控制（Wang等人，2024c）和能源系统（Wang等人，2022）。MSO的核心思想是将整个群体划分为多个子群体，每个子群体在不同的搜索空间中协同搜索（Hu等人，2025）。为了克服子群体之间的孤立，MSO引入了通信策略，使得子群体之间能够共享信息，从而显著提高全局探索能力，并在一定程度上降低过早收敛的风险（Wang等人，2024a）。因此，通信策略在MSO中起着关键作用，它们决定了子群体之间的信息交换方式，直接影响最优解的收敛速度和搜索质量（Chauhan和Suganthan，2025）。一个设计良好的通信策略不仅能够通过有效利用信息来加速收敛，还能保持群体多样性，促进探索（Zhu等人，2024）。相反，不适当的通信策略可能导致信息冗余和搜索方向受限，从而陷入局部最优解（Sun和Guo，2024）。因此，通信策略的设计和动态调整对于MSO的成功至关重要。

表1总结了当前主流的通信策略，包括广播（Broadcast）、主从（Master/slave）、迁移（Migration）、轮询（Round-robin）和成对（Pairwise）。尽管这些策略在特定问题上已被证明能有效提高优化效率，但它们的预定义结构和缺乏适应性限制了其在更多优化问题中的泛化能力（Wei等人，2025）。特别是，简单的预定义策略往往难以应对高度非线性、多模态和不稳定的优化问题（Wang等人，2024b）。因此，为了进一步提高MSO在复杂问题中的泛化能力，探索动态通信策略的设计至关重要。此外，竞争性群体优化器也显示出在增强群体交互和搜索效率方面的有效性（Chauhan和Cheng，2024）。然而，这些方法仍然依赖于预定义的更新规则。因此，动态策略生成的关键挑战在于准确感知群体状态并据此做出适当决策（Pan等人，2024）。这不仅需要理解群体与适应度之间的复杂关系，还需要整合历史搜索方向来进行决策（Chen等人，2024）。然而，启发式方法由于知识表示有限和跨不同优化任务的迁移能力差而常常不足。这些局限性进一步凸显了迫切需要具有强泛化能力、上下文推理能力和跨任务适应性的动态通信策略。同样，最近结合数据驱动学习的研究表明，整合高级推理机制可以显著提高复杂系统的可解释性和适应性（Wang等人，2025a）。

最近，大型语言模型（LLMs）通过在大量语料库上进行预训练，展示了模拟人类类似推理和决策过程的出色能力（Patil和Jadon，2025）。因此，LLMs为MSO中的动态通信策略设计提供了新的视角，利用它们先进的自然语言处理和上下文推理能力。它们强大的自然语言处理能力使它们能够有效解释和交互复杂的知识表示，显示出高可用性和灵活性（Steyvers等人，2025）。同时，它们出色的上下文推理能力使LLMs能够自主分析实时群体动态和历史搜索轨迹，而无需依赖任何预定义的先验知识（Wang等人，2025b），从而生成最优的通信策略。这种智能决策代表了相对于手动设计和基于规则的方法的重大突破，实现了现实世界中的真正动态优化（Liu等人，2024；Wu等人，2024）。

因此，本文提出了一种名为基于大型语言模型的动态通信策略生成方法，用于多群体粒子群优化（L2D-MSO），该方法利用LLMs的推理能力实现MSO中通信策略的动态调整。据我们所知，这是首次系统地研究LLMs在MSO中调节通信策略的应用，验证了它们的有效性和提高搜索效率和优化质量的潜力。本文的主要贡献总结如下。

• •
  提出了基于LLM的动态通信策略生成框架：从所有子群体中提取实时群体状态，并将其转换为自然语言提示作为输入给LLMs。LLMs进行上下文推理，动态生成最合适的通信策略，显著提高了动态策略生成的灵活性、可扩展性和跨任务泛化能力。
• •
  为L2D-MSO设计了自适应温度机制：根据实时全局漂移率和优化进度自适应调整温度参数，有效调节通信策略生成的概率分布。该机制使通信策略生成在整个优化过程中能够自适应调整，最终提高收敛效率和解决方案质量。
• •
  在CEC2022基准测试和复杂应用上进行了评估实验：实验结果表明，自适应温度机制进一步提升了通信策略的上下文意识。所提出的L2D-MSO框架在多个基准函数上表现出优越的全局搜索能力。此外，在两个复杂应用中，L2D-MSO能够在路径规划中实现最短路径，在能量感知调度中实现最佳性能平衡。

本文的其余部分组织如下。第1节介绍动机和相关工作。第2节介绍MSO和LLMs的基础知识。第3节详细阐述所提出的L2D-MSO和主要方法。第4节展示该框架在基准函数和复杂应用上的性能。最后，第5节总结结论。

部分摘录

多群体粒子群优化

多群体粒子群优化是一种基于群体的元启发式优化方法，通过将整个群体划分为多个交互的子群体来增强全局搜索能力和提高群体多样性。与粒子群优化（PSO）相比，MSO允许每个子群体并行探索不同的搜索空间，有效降低了过早收敛的风险（Chu等人，2005）。具体来说，子群体独立进化

所提出的L2D-MSO的总体框架

大多数现有的MSO采用手动设计的预定义通信策略来定期在子群体之间交换信息，以抑制过早收敛。然而，这种方法高度依赖于通信策略的正确性和适应性。当策略是静态的或适应性较差时，会导致子群体之间的信息交换出现误导，从而阻碍高质量解决方案的有效传播，误导搜索方向

实验设置

实验平台配备了NVIDIA 1050Ti GPU、6核Intel i5-9500处理器和16 GB RAM。软件环境通过OpenAI模块集成了对LLMs的访问。所提出的L2D-MSO集成了四种代表性的大型语言模型，包括Gemini 2.5（Comanici等人，2025）、Claude 3.5（Kumar和Dineshkumar，2025）、DeepSeek-R1（Zhang等人，2025）和ChatGPT-4（Cong-Lem等人，2025），详见表2。所有模型均通过其

结论

本文提出了一种基于大型语言模型的动态通信策略生成方法，用于多群体粒子群优化框架，有效解决了预定义通信策略的局限性和MSO中缺乏阶段适应性的问题。所提出的L2D-MSO包含两项关键创新：（1）LLMs根据实时群体状态进行推理，动态生成通信策略，显著提高了信息

CRediT作者贡献声明

蒋同邦：撰写——原始草案、软件、方法论、数据整理、概念化。楚书川：撰写——审阅与编辑、验证、形式分析。潘正阳：撰写——审阅与编辑、监督、项目管理、资金获取。瓦茨拉夫·斯纳谢尔：可视化、资源管理、调查。魏一成：撰写——审阅与编辑、软件。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。