文章总结与翻译
一、文章主要内容
本文聚焦于科学计算领域中经典算法——卡尔曼滤波器（Kalman Filter）的自动化发现与优化，提出了一种结合笛卡尔遗传编程（Cartesian Genetic Programming, CGP）和大语言模型（Large Language Models, LLM）辅助进化搜索（Evolutionary Search, ES）的数据驱动框架，旨在通过自动化流程突破传统算法设计对人类创造力和大量实验的依赖。
1. 研究背景与问题
传统算法设计依赖领域知识与高级数学，而卡尔曼滤波器虽在线性高斯系统中能提供最优最小均方误差（MSE）估计，但在非线性、非高斯噪声、观测延迟等场景下，其变体（如扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF）性能下降且缺乏最优性；同时，深度学习模型（如RNN、LSTM）虽能处理非线性问题，却存在可解释性差、需大量训练数据、泛化能力弱的缺陷。
2. 核心方法
- 框架构成：以“采样-变异-评估”为核心流程，通过数据库存储CGP和LLM辅助ES发现的最优算法及对应 fitness 值，利用CPU运行CGP、GPU运行LLM辅助ES实现硬件资源高效利用。
- 采样阶段：依据 fitness 值（MSE）加权概率从数据库中选取候选算法，平衡“利用优质解”与“探索新解”。
- 变异阶段：CGP通过修改节点连接或计算节点类型（如加法、
