近日，在国际进化计算顶级会议 GECCO 2026 主办的 LLM Designed Evolutionary Algorithm Competition（大语言模型设计进化算法竞赛）中，由华为云天筹 AI 求解器团队与华为诺亚方舟实验室联合组成的参赛队伍 "OptVerse-Noah"，凭借智能体自主发现的进化算法 AMGE，在 GNBG 黑箱优化基准测试集的全部 24 个测试函数上均排名第一并夺得冠军。

赛题背景：大模型时代的算法自动设计挑战

随着大语言模型与 AI 智能体快速发展，人工智能正从 " 辅助工具 " 向 " 主动探索者 " 演进，算法自动设计成为新兴研究方向：AI 不再仅仅是利用算法解决问题，更开始深度参与算法自身的设计过程。

过去优化算法的设计很大程度上依赖专家经验。研究人员根据问题设计搜索策略，并通过大量实验不断调整算法机制。但现实世界中的许多复杂问题并不存在明确的数学公式，也无法直接获得梯度信息。例如：

工业制造：工艺参数优化依赖真实生产试验或高精度物理仿真评估；

资源调度：调度策略优化需要通过复杂仿真或运行反馈进行评估；

新材料研发：高维配方空间下，需要在有限实验样本中寻找性能最优组合。

这类问题的共同特征在于算法无法直接获取问题内部结构，只能通过有限的评估反馈不断调整搜索策略。如何在未知问题结构下，驱动 AI 智能体自主构建并迭代出具备竞争力的优化算法，也成为了当前算法自动设计领域极具价值的前沿课题。

赛事挑战：GECCO 探索 LLM 自动设计算法新范式

GECCO（Genetic and Evolutionary Computation Conference）是由 ACM SIGEVO 主办的全球进化计算领域顶级国际会议之一，长期关注遗传算法、进化计算以及智能优化等前沿方向。GECCO 2026 首次举办 LLM Designed Evolutionary Algorithm Competition（大语言模型设计进化算法竞赛），探索大语言模型参与进化算法设计的新方向，推动人工智能技术与传统优化算法的深度融合。

本次赛事的核心命题是：算法自动设计方案需要在统一约束下，对 24 个结构各异、难度未知的黑箱问题取得稳定优异表现，同时无法获取问题内部结构信息，也无法针对单个问题调参。具体约束如下：

严格黑箱约束：参赛算法只能通过目标函数评估结果获取反馈，不允许访问测试函数内部结构信息；

统一参数配置：算法需采用同一套配置完成所有 24 个测试函数，禁止针对性调参；

有限评估预算：每个测试函数均需在有限的函数调用预算下完成优化，对算法效率与搜索能力提出更高要求；

跨问题泛化：算法需在多模态、不对称、复合结构等截然不同的问题结构上同时取得稳定表现。

命题的核心难点在于：如何在同一套配置下兼顾不同类型黑箱问题的优化需求——平滑函数需要快速收敛，多模态函数需要广泛探索，欺骗性函数需要跳出局部最优，从而检验 " 算法自动设计 " 能否突破人工设计瓶颈

技术揭秘：AI 智能体驱动的算法自动设计

针对进化算法自动设计这一难题，华为云天筹 AI 求解器团队联合华为诺亚方舟实验室，基于自主创新的智能体 ScienceFlow，赋予 Agent 自主探索能力，使其能够真正像算法专家一样自主思考与实验。其核心技术突破体现在：

信号感知与智能止损：在实验推进中实时感知收敛速度、种群多样性、局部探索饱和度，一旦判断当前路线趋势不佳，立刻回退止损，减少计算资源消耗。

经验折叠与自我思考：智能体将探索过程中的各种方案、搜索策略等记录并转化为经验资产，在后续探索时回溯已有经验，实现算法探索的自我思考。

通过上述机制，智能体自主发现的 AMGE 算法在多模态、非对称、复合结构等 24 类异质测试函数上均达到了优秀性能，展现了 AI 智能体深度参与算法设计的潜力。

赛事榜单查看链接：https://github.com/TBU-AILab/LLMdesignedEA-comp/blob/main/competition_results/GECCO2026/gecco2026_llm_designed_ea_poster_preview.png

注：本文转自华为云，版权归作者所有