Beyond LLM-GA: Secure Fluid Antenna Systems with ReEvo-Designed Memetic Algorithm

📄 arXiv: 2610.10235v1 📥 PDF

作者: Hanyong Xu, Zhaolai Dang, Tong Zhang

分类: cs.IT, cs.AI

发布日期: 2026-10-07

备注: Accepted by WCSP 2026

💡 一句话要点

提出基于ReEvo设计的记忆算法以解决流体天线系统安全问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 流体天线系统 安全性 遗传算法 记忆算法 反射进化 大型语言模型 物联网 军事通信

📋 核心要点

  1. 现有的LLM-GAs在流体天线系统的安全性提升上存在局限，尤其是在算子设计的灵活性和效率方面。
  2. 本文提出了一种基于反射进化的记忆算法，通过离线演化多种算子，提升了算法的整体性能和安全性。
  3. 实验结果显示，所提算法在相同代数下的安全总速率显著高于传统遗传算法和现有的LLM-GAs，验证了其有效性。

📝 摘要（中文）

流体天线系统（FAS）提供了显著的空间灵活性，但在军事、卫星和物联网网络中，保护其免受窃听至关重要。尽管大型语言模型（LLM）辅助的遗传算法（LLM-GAs）能够解决这一安全FAS端口选择问题，但是否还有进一步的算法改进空间值得深入探讨。为此，本文提出了一种基于反射进化（ReEvo）的记忆算法。与现有的LLM-GAs仅设计交叉或变异算子不同，我们的算法利用LLM离线演化专用的交叉、变异和局部搜索算子，这些算子随后嵌入到记忆搜索框架中，从而在执行过程中无需进行在线LLM查询。仿真结果表明，在相同的代数下，我们提出的算法实现了比传统遗传算法和最先进的LLM-GAs更高的安全总速率。

🔬 方法详解

问题定义：本文旨在解决流体天线系统（FAS）在军事和物联网应用中的安全性问题。现有的LLM-GAs在算子设计上存在不足，无法充分利用空间灵活性来提高安全性。

核心思路：提出的记忆算法基于反射进化（ReEvo），通过离线演化专用的交叉、变异和局部搜索算子，避免了在线查询的需求，从而提高了算法的执行效率和安全性。

技术框架：整体架构包括离线算子演化模块和记忆搜索框架。首先，利用LLM生成多种算子，然后将这些算子嵌入到记忆搜索过程中，形成完整的算法流程。

关键创新：最重要的创新在于将LLM用于离线演化多种算子，而非仅限于交叉或变异算子，这一设计使得算法在执行时不再依赖于在线LLM查询，提升了效率和安全性。

关键设计：算法中设置了多种交叉、变异和局部搜索算子的参数，确保其在不同场景下的适应性和灵活性，同时优化了损失函数以提高安全总速率。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，所提出的基于ReEvo的记忆算法在相同代数下的安全总速率比传统遗传算法和现有的LLM-GAs高出显著幅度，具体提升幅度未知，验证了该算法的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括军事通信、卫星网络和物联网等需要高安全性的流体天线系统。通过提升FAS的安全性，能够有效防止信息泄露，增强网络的整体安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Fluid antenna systems (FASs) offer significant spatial flexibility, yet securing them against eavesdropping is critical for practical FAS deployment in military, satellite, and internet-of-things networks. Although large language model (LLM)-assisted genetic algorithms (LLM-GAs) can address this secure FAS port selection problem, whether further algorithmic improvement is possible warrants deeper investigation. To this end, we propose a memetic algorithm based on reflective evolution (ReEvo). Unlike the state-of-the-art LLM-GAs, which design only crossover or mutation operators with an LLM, our algorithm leverages an LLM to evolve dedicated crossover, mutation, and local-search operators offline. These operators are then embedded into a memetic search framework, thereby obviating any online LLM queries during execution. Simulation results at equal generation counts demonstrate that our proposed algorithm achieves a higher secure sum-rate than the conventional GA and the state-of-the-art LLM-GAs.