超越平均表现：LLM辅助演化搜索中的动态实例聚类与专用算法设计

大语言模型辅助进化搜索（LES）作为一种强大的自动算法设计方法，已经崭露头角。然而，现有的LES方法主要侧重于平均性能优化，这导致搜索努力集中在对这一指标贡献最大的实例上，而其他实例则未能得到充分服务，从而导致尾部鲁棒性不足和实际世界的可靠性受限。为解决这一限制，我们提出了一种动态实例聚类与专门算法设计（DyCA）的LES框架，该框架具有无结构化、结构化的机制，在异构实例分布下构建可靠的算法组合。DyCA将实例聚类视为搜索过程中一个可演化的核心组件，利用累积的评估数据作为无结构化信号，逐步将相似于算法响应模式的实例划分为不同的群组。揭示的簇将混合目标分解为一系列结构化的子目标，从而允许更细致和更具适应性的专门算法设计指导。在四种异构实例分布下的算法设计任务上进行实验结果表明，DyCA优于当前最先进的LES基准，平均提高了15.2%的尾部鲁棒性，并提升了7.1%的整体性能，同时保持了与头部相当的表现。