超参数优化的 LLM 代理-计算机科学-大语言模型-无人驾驶飞机-自动超参数调整.pdfVIP

超参数优化的LLM代理

WanzheWang,JianqiuPeng,MenghaoHu,WeihuangZhong,TongZhang,

ShuaiWang,YixinZhang,MingjieShao,andWanliNi

摘要—超参数对于通信算法的性能至关重要。然而，目前I.介绍

针对无线电地图支持的无人机轨迹和通信设计的Warm-Start

无人驾驶飞行器（UAV）的快速发展革新了无线通

ParticlesSwarmOptimizationwithCrossoverandMutation

(WS-PSO-CM)算法的超参数优化方法主要基于启发式方法，信系统，提供了在动态环境中灵活部署和增强覆盖的能

表现出较低的自动化水平和可改进的性能。本文设计了一个大型力[1],[2]。UAV辅助通信的关键推动因素是无线电地

语言模型（LLM）代理进行自动超参数调整，在该过程中应用了图，它提供必要的空间信道信息以优化轨迹规划和传输

迭代框架和模型上下文协议（MCP）。具体来说，首先通过配置策略。在优化算法中，带有交叉和变异的暖启动粒子群

文件设置LLM代理，该文件指定了超参数的边界、任务目标、

优化（WS-PSO-CM）[3]已经成为一种有前景的方法，

本终止条件、优化超参数时采取保守或激进策略以及LLM配置。

因其适应性和解决复杂UAV轨迹和通信问题的有效性

译然后，LLM代理迭代调用WS-PSO-CM算法进行探索。最后，

中基于终止条件，LLM代理退出循环并返回一组优化后的超参数。而脱颖而出。然而，WS-PSO-CM的表现很大程度上依

我们的实验结果表明，通过我们的LLM代理生成的超参数所达赖于超参数的选择，这仍然是一个重大挑战。

2到的最小和速率显著高于人工启发式方法和随机生成方法的结无线电地图旨在反映无线信道的空间分布特征，可

v

7果。这表明具有PSO和WS-PSO-CM算法知识的LLM代理在以通过收集和分析信号强度、延迟和信道状态等信息来

6寻找高性能超参数方面是有用的。

1构建环境中的无线电信号分布模型。杨等人。[4]提出了

5IndexTerms—大型语言模型，模型上下文协议，无线电地一种基于深度学习的无线电地图，该地图使用面向任务

1

6.图，无人驾驶飞机的神经网络直接从位置信息生成波束成形向量。在[5]

0中，董等。展示了无人机抗干扰通信中的无线电地图。

5

2在[6]中，张等。提出了将无线电地图用于无人机三维

:

v路径规划中的蜂窝网络连接的使用方法，旨在解决无人

i

xWanzheWang,JianqiuPeng,WeihuangZhongarewiththe机飞行过程中通信质量保证和路径优化的问题。在[7]

rHarbinInstituteofTechnology(Shenzhen),Shenzhen,China(email:

awangwz724@163.com,15986817267}@163.com).中，杨等人。提出了将基于无线地图的波束成形与减少

MenghaoHuiswiththeSchoolofInformationScien