ARES-LSHADE优化算法 Python实现｜GECCO2026 GNBG竞赛冠军｜LLM驱动自研究+记忆抛光｜精品代码

ARES-LSHADE是LSHADE的记忆变体，基于GECCO 2024冠军代码库构建。采用LLM驱动的自研究循环和多起点L-BFGS-B抛光策略。 **竞赛成绩** - 总胜率：510/744次运行（gap < 1e-8） - 机器精度函数：f1-f4, f7-f12, f16-f19, f23（18个函数100%成功） - 近完全成功：f20（30/31次） - 部分成功：f5, f22 **核心特性** - LLM驱动自研究：通过30次实验迭代产生新的侦察增强变异算子 - 多起点L-BFGS-B抛光：记忆抛光阶段提升局部搜索能力 - 线性种群缩减（LPSR）：从~180逐步缩减到4 - 历史记忆自适应：长度h=100的F（Cauchy）和CR（Normal）记忆 - 成功父代存档：存档大小与当前种群绑定 - 三种初始化策略：均匀、Sobol+聚类、质数螺旋镶嵌 **运行环境** - Python 3.8+ - 依赖：numpy, scipy - 系统：跨平台 - 硬件：无特殊要求 **算法架构** 阶段1 — LSHADE EA（95% FE预算） - 线性种群缩减（LPSR） - F和CR的历史记忆自适应 - 成功父代存档 - 三种自适应初始化策略 - 侦察增强变异 + 部分CMA-ES - 基于括号的自适应交叉 阶段2 — 多起点L-BFGS-B抛光（5% FE预算） - 起点来源：EA发现的解 + 扰动 + 均匀随机重启 - 无需oracle信息（不使用.mat文件中的组件位置） - 黑盒处理基准测试 **核心文件** - lshade.py - LSHADE主算法（11KB） - optimizer.py - 优化器框架（9.5KB） - jade.py - JADE算法（8.5KB） - de.py - 差分进化基础（7.8KB） - test.py - 测试脚本（36KB） - GNBG/ - GNBG基准函数 - results.tsv - 实验结果（12KB） **适用场景** - GECCO/CEC单目标优化竞赛 - 黑盒优化问题 - 全局优化研究 - 记忆算法学习 - 算法性能基准测试 **作者团队**：University of New Orleans **指导**：Dr. Md Tamjidul Hoque 本代码基于GECCO 2024冠军LLM-LSHADE改进，代表当前单目标优化领域的前沿水平。